题目: A Survey on Knowledge Graph-Based Recommender Systems

摘要:

为了解决信息爆炸问题,提高用户在各种在线应用中的体验,人们开发了推荐系统来模拟用户的偏好。尽管人们已经为更个性化的推荐做了很多努力,但是推荐系统仍然面临着一些挑战,如数据稀疏和冷启动。近年来,以知识图为辅助信息的推荐生成引起了人们的极大兴趣。这种方法不仅可以缓解上述问题,使推荐更加准确,而且可以为推荐项目提供解释。本文对基于知识图的推荐系统进行了系统的研究。我们收集了最近在这一领域发表的论文,并从两个角度对其进行了总结。一方面,我们通过研究论文如何利用知识图进行精确和可解释的推荐来研究所提出的算法。另一方面,我们介绍了这些工作中使用的数据集。最后,提出了该领域的几个潜在研究方向。

成为VIP会员查看完整内容
0
96

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

主题: Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion

摘要: 会话推荐系统(CRS)旨在通过交互式对话向用户推荐高质量的项目。尽管已为CRS做出了一些努力,但仍有两个主要问题有待解决。首先,对话数据本身缺少足够的上下文信息,无法准确地了解用户的偏好。第二,自然语言表达与项目级用户偏好之间存在语义鸿沟。为了解决这些问题,我们结合了面向单词和面向实体的知识图(KG)来增强CRS中的数据表示,并采用互信息最大化来对齐单词级和实体级的语义空间。基于对齐的语义表示,我们进一步开发了用于进行准确推荐的KGenhanced推荐器组件,以及可以在响应文本中生成信息性关键字或实体的KG增强对话框组件。大量的实验证明了我们的方法在推荐和对话任务上都能产生更好的性能。

成为VIP会员查看完整内容
0
45

近年来,序列推荐系统这一新兴的研究课题越来越受到人们的关注。与传统的推荐系统(包括协同过滤和基于内容的过滤)不同,SRSs试图理解和建模连续的用户行为、用户和条目之间的交互、以及用户偏好和条目受欢迎程度随时间的变化。SRSs涉及到以上几个方面,可以更准确地描述用户上下文、意图和目标,以及物品的消费趋势。我们首先介绍了SRSs的特点,然后对该研究领域的关键挑战进行了总结和分类,接着是相应的研究进展,包括该课题最新的和有代表性的进展。最后,讨论了该领域的重要研究方向。

成为VIP会员查看完整内容
0
55

在线推荐系统帮助用户找到电影、工作、餐馆——甚至爱情!这是一种将统计数据、人口统计数据和查询条件相结合以获得令他们满意的结果的艺术。学习建立一个推荐系统的正确方法:它可以使你的应用成功或失败!

对这项技术

推荐系统无处不在,帮助你找到从电影到工作,从餐馆到医院,甚至是爱情的一切。利用行为和人口统计数据,这些系统可以预测用户在特定时间最感兴趣的内容,从而得到高质量、有序、个性化的建议。推荐系统实际上是保持网站内容最新、有用和有趣的必要手段。

关于这本书

实用推荐系统解释如何推荐系统的工作,并显示如何创建和应用它们为您的网站。在介绍了基础知识之后,您将看到如何收集用户数据并生成个性化的推荐。您将学习如何使用最流行的推荐算法,并在Amazon和Netflix等网站上看到它们的实例。最后,这本书涵盖了规模问题和其他问题,你会遇到的网站成长。

里面有什么

  • 如何收集和理解用户行为
  • 协同和基于内容的过滤
  • 机器学习算法
  • Python中的实际示例
成为VIP会员查看完整内容
0
119

摘要

推荐系统是一种软件应用程序,它可以帮助用户在信息过载的情况下找到感兴趣的主题。当前的研究通常假设一个一次性的交互范式,其中用户偏好是根据过去历史观察到的行为来估计的,并且按照等级排序的推荐列表是用户交互的主要的且是单向的形式。对话推荐系统(CRS)采用了一种不同的方法,支持更丰富的交互。例如,这些交互可以帮助改进偏好激发过程,或者允许用户询问关于推荐的问题并给出反馈。对CRS的兴趣在过去几年里显著增加。这种发展主要是由于自然语言处理领域的重大进展,新的语音控制家庭助手的出现,以及聊天机器人技术的增加使用。在本文中,我们详细介绍了现有的对话推荐方法。我们将这些方法按不同的维度进行分类,例如,根据支持的用户意图或用户在后台使用的知识。此外,我们还讨论了技术方法,回顾了CRS的评估方法,并最终确定了一些在未来值得更多研究的差距。

介绍

推荐系统是人工智能在实践中最明显的成功案例之一。通常,这些系统的主要任务是为用户指出感兴趣的潜在主题,例如电子商务网站。因此,它们不仅可以在信息超载的情况下帮助用户,还可以对服务提供商的业务做出重大贡献。 在这些实际应用中,推荐是一个一次性的交互过程。通常,底层系统会随着时间的推移监视其用户的行为,然后在预定义的导航情况下(例如,当用户登录到服务时)提供一组定制的建议。尽管这种方法在各个领域都很常见,也很有用,但是它可能有一些潜在的限制。例如,在许多应用程序场景中,用户首选项无法从其过去的交互中可靠地估计出来。对于高介入的产品(例如,当推荐一款智能手机时),我们甚至可能完全没有过去的观察结果。此外,在一组建议中包含哪些内容可能与上下文高度相关,而且可能很难自动确定用户的当前情况或需求。最后,另一个假设通常是,当用户登录网站时,他们已经知道自己的偏好。然而,这未必是真的。例如,用户可能只在决策过程中确定他们的首选项,例如,当他们意识到选项的空间时。在某些情况下,他们也可能只在与推荐者的交互过程中了解这块内容和可用的选项。 对话推荐系统(CRS)是可以帮助解决这些的挑战中的许多这样的问题。一般来说,这种系统的总体思想是支持与用户进行面向任务的多回合对话。例如,在这样的对话中,系统可以引出用户当前的详细偏好,为主题推荐提供解释,或者处理用户对所提建议的反馈。 鉴于这类系统的巨大潜力,对CRS的研究已经有了一定的传统。早在20世纪70年代末,Rich就设想了一个电脑化的图书管理员,通过用自然语言互动地向用户提问有关他们的个性和偏好的问题,向他们提出阅读建议。除了基于自然语言处理(NLP)的接口外,近年来还提出了多种基于表单的用户接口。CRS中较早的基于这些接口的交互方法之一称为critiquing,它在1982年就被提出作为数据库领域的查询重新制定的一种方法。在critiquing方法中,用户很快会在对话中看到一个建议,然后可以对这些建议应用预先定义的评论。 基于表单的方法通常很有吸引力,因为用户可以使用的操作是预先定义的、明确的。然而,这样的对话也可能出现非自然的,用户可能在表达他们的偏好的方式上感到约束。另一方面,基于NLP的方法在很长一段时间内受到了现有的限制,例如在处理语音命令的上下文中。然而,近年来,语言技术取得了重大进展。因此,我们现在习惯于向智能手机和数字家庭助手发出语音命令,这些设备的识别精度已经达到了令人印象深刻的水平。与语音助手领域的这些发展相对应,我们注意到聊天机器人技术在最近几年的快速发展。聊天机器人,无论是简单的还是复杂的,通常也能处理自然语言,现在广泛应用于各种应用领域,例如,处理客户服务请求。 这些技术的进步导致在过去几年中对CRS的兴趣增加。然而,与以前的许多方法相比,我们注意到今天的技术建议更多地是基于机器学习技术,而不是遵循预先定义的对话路径,用于确定要向用户询问的下一个问题。然而,通常在语音助手和聊天机器人的功能与支持真正的对话推荐场景(如系统是语音控制的)所需的功能之间仍然存在差距。 本文从不同的角度对对话推荐系统的文献进行了综述。具体地说,我们将讨论(i)CRS的交互模式(第3节),(ii)CRS基于的知识和数据(第4节), 和(iii)CRS中典型的计算任务(第5节)。然后,我们讨论CRS的评估方法(第6节),最后展望未来的发展方向。

对话系统的特征描述

关于什么是CRS,文献中没有一个公认的定义。在这项工作中,我们使用以下定义。 CRS是一个软件系统,它支持用户通过多回合的对话来实现推荐相关的目标。

CRS的概念架构:在过去的二十年中,人们提出了各种CRS模型的技术途径。这些解决方案的技术体系结构的细节取决于系统的功能,例如,是否支持语音输入。尽管如此,仍然可以确定此类体系结构的许多典型概念组件,如图1所示。

CRS交互模式

最近对CRS的兴趣是由NLP的发展和技术进步(如宽带移动互联网接入和智能手机和家庭助手等新设备)推动的。然而,我们对文献的回顾表明,用户和CRS之间的交互既不局限于自然语言输入和输出,也不局限于特定的设备。

知识和背景数据

根据所选择的技术方法,CRS必须结合各种类型的知识和背景数据才能发挥作用。显然,像任何推荐人一样,必须有关于推荐项目的知识。同样,推荐的生成要么基于明确的知识,例如推荐规则或约束,要么基于在一些背景数据上训练的机器学习模型。然而,对话系统通常依赖于其他类型的知识,例如对话中的可能状态,或者用于训练机器学习模型的数据,如记录和转录的自然语言推荐对话。

计算任务

在讨论了推荐对话中可能的用户意图之后,我们现在将回顾CRS的常见的计算任务和技术方法。我们区分(i)主要任务,即那些与推荐过程更直接相关的,例如,计算推荐或确定下一个要问的问题,以及(ii)额外的支持任务。

介绍对话系统的评价

一般情况下,推荐系统可以通过不同的方法从不同的维度进行评价。首先,当系统在其使用上下文中进行评估时,即,当它被部署时,我们通常最感兴趣的是通过A/B测试来衡量系统是否达到了设计目标的具体关键性能指标(KPI),例如,增加的销售数字或用户参与度。其次,用户研究(实验室实验)通常调查与系统感知质量相关的问题。常见的质量维度是建议的适宜性、流程的可感知透明性或易用性。最后,计算性实验不需要用户参与评估,而是基于客观指标来评估质量,例如,通过测量建议的多样性或计算运行时间来预测测试集中的辅助评级的准确性。同样的质量维度和研究方法也适用于CRS。然而,在比较面向算法的研究和对话系统的研究时,我们发现评估的主要焦点往往是不同的。由于CRS是高度交互的系统,因此与人机交互有关的问题更常用于这些系统的研究。此外,在测量方法方面,CRS评估不仅关注任务的完成,即,如果建议是合适的或最终被接受的,但也涉及到与谈话本身的效率或质量有关的问题。

总结和未来工作

总的来说,我们的研究表明,CRS领域在过去几年中出现了一定程度的复兴,其中最新的方法依赖于机器学习技术,尤其是深度学习和基于自然语言的交互。考虑到语音控制系统(如智能音箱)最近的兴起,以及聊天机器人系统的日益普及,我们预计在未来几年将看到对CRS的更多研究。虽然在某些方面取得了重大进展,但仍有许多领域需要进行更多的研究。在接下来的文章中,我们将概述一些有待解决的问题以及该领域未来可能的发展方向。 第一个问题涉及模式的选择。尽管近年来,“自然语言”越来越流行,但究竟哪种情况下“自然语言”才是最好的选择,目前还不完全清楚。需要进行更多的研究来了解哪种模式适合当前给定的任务和情况,或者是否应该向用户提供替代模式。一个有趣的研究方向还在于解释用户的非言语交际行为。此外,完全基于语音的CRS也有一定的局限性,例如,在一个交互周期中提供完整的推荐集合。在这种情况下,用户可能希望对一组推荐进行总结,因为在大多数情况下,当CRS向用户推荐过多(例如多于两三个)选项时,这可能没有意义。

成为VIP会员查看完整内容
0
78

主题: Deep Learning on Knowledge Graph for Recommender System: A Survey

摘要: 最近的研究表明,知识图谱(KG)在提供有价值的外部知识以改进推荐系统(RS)方面是有效的。知识图谱能够编码连接两个对象和一个或多个相关属性的高阶关系。借助于新兴的GNN,可以从KG中提取对象特征和关系,这是成功推荐的一个重要因素。本文对基于GNN的知识感知深度推荐系统进行了综述。具体来说,我们讨论了最新的框架,重点是它们的核心组件,即图嵌入模块,以及它们如何解决实际的推荐问题,如可伸缩性、冷启动等。我们进一步总结了常用的基准数据集、评估指标以及开源代码。最后,我们对调查结果进行了总结,并提出了这一快速发展领域的潜在研究方向。

成为VIP会员查看完整内容
0
81

【导读】近来,知识图谱用于推荐系统是关注的焦点,能够提升推荐系统的准确性与可解释性。如何将知识图谱融入到推荐系统呢? 最近中科院计算所百度微软等学者最新综述论文《A Survey on Knowledge Graph-Based Recommender Systems》,阐述对基于知识图谱的推荐系统进行了系统的研究。

地址:https://www.zhuanzhi.ai/paper/90d0d696560bc88ea93f629b478a2128

为了解决各种在线应用中的信息爆炸问题,提高用户体验,推荐系统被提出来进行用户偏好建模。尽管人们已经做出了许多努力来实现更加个性化的推荐,但是推荐系统仍然面临着一些挑战,比如数据稀疏性和冷启动。近年来,以知识图谱作为边信息生成推荐引起了人们的极大兴趣。这种方法不仅可以缓解上述问题,提供更准确的推荐,而且可以对推荐的项目进行解释。本文对基于知识图谱的推荐系统进行了系统的研究。我们收集了这一领域最近发表的论文,并从两个角度进行了总结。一方面,我们通过研究论文如何利用知识图谱进行准确和可解释的推荐来研究所提出的算法。另一方面,我们介绍了这些工作中使用的数据集。最后,我们提出了几个可能的研究方向。

概述

随着互联网的快速发展,数据量呈指数级增长。由于信息量过大,用户在众多的选择中很难找到自己感兴趣的。为了提高用户体验,推荐系统已被应用于音乐推荐[1]、电影推荐[2]、网上购物[3]等场景。

推荐算法是推荐系统的核心要素,主要分为基于协同过滤(CF)的推荐系统、基于内容的推荐系统和混合推荐系统[4]。基于CF的推荐基于用户或交互数据项的相似度来建模用户偏好,而基于内容的推荐利用了物品项的内容特征。基于CF的推荐系统得到了广泛的应用,因为它可以有效地捕获用户的偏好,并且可以很容易地在多个场景中实现,而不需要在基于内容的推荐系统[5]、[6]中提取特征。然而,基于CF的推荐存在数据稀疏性和冷启动问题[6]。为了解决这些问题,提出了混合推荐系统来统一交互级相似度和内容级相似度。在这个过程中,我们探索了多种类型的边信息,如项目属性[7]、[8]、项目评论[9]、[10],以及用户的社交网络[11]、[12]。

近年来,将知识图谱(KG)作为边信息引入推荐系统引起了研究者的关注。KG是一个异构图,其中节点作为实体,边表示实体之间的关系。可以将项目及其属性映射到KG中,以了解项目[2]之间的相互关系。此外,还可以将用户和用户端信息集成到KG中,从而更准确地捕捉用户与物品之间的关系以及用户偏好。图1是一个基于KG的推荐示例,其中电影“Avatar”和“Blood Diamond”被推荐给Bob。此KG包含用户、电影、演员、导演和类型作为实体,而交互、归属、表演、导演和友谊是实体之间的关系。利用KG,电影与用户之间存在不同的潜关系,有助于提高推荐的精度。基于知识的推荐系统的另一个优点是推荐结果[14]的可解释性。在同一个示例中,根据user-item图中的关系序列可以知道向Bob推荐这两部电影的原因。例如,推荐《阿凡达》的一个原因是,《阿凡达》与鲍勃之前看过的《星际穿越》属于同一类型。最近提出了多种KGs,如Freebase[15]、DBpedia[16]、YAGO[17]、谷歌的知识图谱[18],方便了KGs的推荐构建。

图1 一个基于kg的推荐的例子

本次综述的目的是提供一个全面的文献综述利用KGs作为侧信息的推荐系统。在我们的研究过程中,我们发现现有的基于KG的推荐系统以三种方式应用KGs: 基于嵌入的方法、基于路径的方法和统一的方法。我们详细说明了这些方法的异同。除了更准确的推荐之外,基于KG的推荐的另一个好处是可解释性。我们讨论了不同的作品如何使用KG来进行可解释的推荐。此外,根据我们的综述,我们发现KGs在多个场景中充当了辅助信息,包括电影、书籍、新闻、产品、兴趣点(POIs)、音乐和社交平台的推荐。我们收集最近的作品,根据应用程序对它们进行分类,并收集在这些作品中评估的数据集。

本次综述的组织如下: 在第二部分,我们介绍了KGs和推荐系统的基础;在第3节中,我们介绍了本文中使用的符号和概念;在第4节和第5节中,我们分别从方法和评价数据集的角度对基于知识的推荐系统进行了综述;第六部分提出了该领域的一些潜在研究方向;最后,我们在第7节总结了这次调查。

术语概念

图2 常用知识图谱集合

图3 符号

知识图谱推荐系统方法

Embedding-based方法

基于嵌入的方法通常直接使用来自KG的信息来丰富项目或用户的表示。为了利用KG信息,需要使用知识图嵌入(KGE)算法将KG编码为低秩嵌入。KGE算法可分为两类[98]:翻译距离模型,如TransE[99]、TransH[100]、TransR[101]、TransD[102]等;语义匹配模型,如DistMult[103]等。

根据KG中是否包含用户,可以将基于嵌入的方法分为两个类。在第一种方法中,KGs由项目及其相关属性构成,这些属性是从数据集或外部知识库中提取的。我们将这样的图命名为项目图。注意,用户不包括在这样的项目图中。遵循这一策略的论文利用知识图嵌入(KGE)算法对图进行编码,以更全面地表示项目,然后将项目侧信息集成到推荐框架中。其大意可以如下所示。

另一种embedding-based方法直接建立user-item图,用户,项目,以及相关属性函数作为节点。在用户-项目图中,属性级关系(品牌、类别等)和用户级关系(共同购买、共同查看等)都是边。

Path-based Methods

基于路径的方法构建一个用户-项目图,并利用图中实体的连接模式进行推荐。基于路径的方法在2013年就已经开发出来了,传统的论文将这种方法称为HIN中的推荐方法。通常,这些模型利用用户和/或项的连接性相似性来增强推荐。

统一方法

基于嵌入的方法利用KG中用户/项的语义表示进行推荐,而基于路径的方法使用语义连接信息,并且两种方法都只利用图中信息的一个方面。为了更好地利用KG中的信息,提出了将实体和关系的语义表示和连通性信息结合起来的统一方法。统一的方法是基于嵌入传播的思想。这些方法以KG中的连接结构为指导,对实体表示进行细化。

总结:

基于嵌入的方法使用KGE方法对KG(项目图或用户-项目图)进行预处理,以获得实体和关系的嵌入,并将其进一步集成到推荐框架中。然而,这种方法忽略了图中信息的连通性模式,很少有文献能够给出有原因的推荐结果。基于路径的方法利用用户-项图,通过预先定义元路径或自动挖掘连接模式来发现项的路径级相似性。基于路径的方法还可以为用户提供对结果的解释。将基于嵌入的方法与基于路径的方法相结合,充分利用双方的信息是当前的研究趋势。此外,统一的方法还具有解释推荐过程的能力。

图4 收集论文表。在表格中,Emb代表基于嵌入的方法,Uni代表统一方法,Att’代表注意力机制,’RL’代表强化学习,’AE’代表自动编码器,’MF’代表矩阵分解。

代表数据集

图5 不同应用场景和相应论文的数据集集合

未来方向

在以上几节中,我们从更准确的推荐和可解释性方面展示了基于知识的推荐系统的优势。虽然已经提出了许多利用KG作为侧信息进行推荐的新模型,但仍然存在一些改进的机会。在这一部分中,我们概述并讨论了一些未来的研究方向。

  • 动态推荐。虽然基于KG的推荐系统在GNN或GCN架构下取得了良好的性能,但是训练过程是耗时的。因此,这些模型可以看作是静态的偏好推荐。然而,在某些情况下,如网上购物、新闻推荐、Twitter和论坛,用户的兴趣会很快受到社会事件或朋友的影响。在这种情况下,使用静态偏好建模的推荐可能不足以理解实时兴趣。为了捕获动态偏好,利用动态图网络可以是一个解决方案。最近,Song等[127]设计了一个动态图-注意力网络,通过结合来自朋友的长期和短期兴趣来捕捉用户快速变化的兴趣。按照这种方法,很自然地要集成其他类型的侧信息,并构建一个KG来进行动态推荐。

  • 多任务学习。基于kg的推荐系统可以看作是图中链接预测。因此,考虑到KG的性质,有可能提高基于图的推荐的性能。例如,KG中可能存在缺失的事实,从而导致关系或实体的缺失。然而,用户的偏好可能会被忽略,因为这些事实是缺失的,这可能会恶化推荐结果。[70]、[95]已经证明了联合训练KG完成模块和推荐模块以获得更好的推荐是有效的。其他的工作利用多任务学习,将推荐模块与KGE task[45]和item relation regulation task联合训练[73]。利用从其他kg相关任务(例如实体分类和解析)迁移知识来获得更好的推荐性能,这是很有趣的。

  • 跨域推荐。最近,关于跨域推荐的研究已经出现。其动机是跨域的交互数据不相等。例如,在Amazon平台上,图书评级比其他域更密集。使用迁移学习技术,可以共享来自具有相对丰富数据的源域的交互数据,以便在目标域内进行更好的推荐。Zhang等[128]提出了一种基于矩阵的跨域推荐方法。后来,Zhao等人[129]引入了PPGN,将来自不同领域的用户和产品放在一个图中,并利用user item交互图进行跨领域推荐。虽然PPGN的性能显著优于SOTA,但是user item图只包含交互关系,并不考虑用户和项目之间的其他关系。通过将不同类型的用户和项目端信息合并到用户-项目交互图中,以获得更好的跨域推荐性能。

  • 知识增强语言表示。为了提高各种自然语言处理任务的性能,有将外部知识集成到语言表示模型中的趋势。知识表示和文本表示可以相互细化。例如,Chen等人[130]提出了短文本分类的STCKA,利用来自KGs(如YAGO)的先验知识,丰富了短文本的语义表征。Zhang等人[131]提出了ERNIE,该方法融合了Wikidata的知识,增强了语言的表示能力,该方法已被证明在关系分类任务中是有效的。虽然DKN模型[48]既利用了文本嵌入,也利用了新闻中的实体嵌入,但这两种嵌入方式只是简单地串联起来,得到新闻的最终表现形式,而没有考虑两个向量之间的信息融合。因此,将知识增强的文本表示策略应用于新闻推荐任务和其他基于文本的推荐任务中,能够更好地表示学习,从而获得更准确的推荐结果,是很有前景的。

  • 知识图谱嵌入方法。基于不同约束条件的KGE方法有两种:翻译距离模型和语义匹配模型。在本次综述中,这两种类型的KGE方法被用于三种基于KGE的推荐系统和推荐任务中。但是,还没有全面的工作建议在什么情况下,包括数据源、推荐场景和模型架构,应该采用特定的KGE方法。因此,另一个研究方向是比较不同KGE方法在不同条件下的优势。

  • 用户端信息。目前,大多数基于KG的推荐系统都是通过合并项目侧信息来构建图的,而很少有模型考虑用户侧信息。然而,用户侧信息,如用户网络和用户的人口统计信息,也可以很自然地集成到当前基于KGbased的推荐系统框架中。最近,Fan等人[132]使用GNN分别表示用户-用户社交网络和用户-项目交互图,该方法在用户社交信息方面优于传统的基于cf的推荐系统。在我们最近的调查[96]中,一篇论文将用户关系整合到图表中,并展示了这种策略的有效性。因此,在KG中考虑用户侧信息可能是另一个研究方向。

成为VIP会员查看完整内容
0
100

To solve the information explosion problem and enhance user experience in various online applications, recommender systems have been developed to model users preferences. Although numerous efforts have been made toward more personalized recommendations, recommender systems still suffer from several challenges, such as data sparsity and cold start. In recent years, generating recommendations with the knowledge graph as side information has attracted considerable interest. Such an approach can not only alleviate the abovementioned issues for a more accurate recommendation, but also provide explanations for recommended items. In this paper, we conduct a systematical survey of knowledge graph-based recommender systems. We collect recently published papers in this field and summarize them from two perspectives. On the one hand, we investigate the proposed algorithms by focusing on how the papers utilize the knowledge graph for accurate and explainable recommendation. On the other hand, we introduce datasets used in these works. Finally, we propose several potential research directions in this field.

0
70
下载
预览

【导读】2020 年 2 月 7 日-2 月 12 日,AAAI 2020 在美国纽约举办。Michael Galkin撰写了AAAI2020知识图谱论文相关研究趋势包括:KG-Augmented语言模型,异构KGs中的实体匹配,KG完成和链路预测,基于kg的会话人工智能和问题回答,包括论文,值得查看!

Hiroaki Hayashi, Zecong Hu, Chenyan Xiong, Graham Neubig: Latent Relation Language Models. AAAI 2020

  • 潜在关系语言模型:本文提出了一种潜在关系语言模型(LRLMs),这是一类通过知识图谱关系对文档中词语的联合分布及其所包含的实体进行参数化的语言模型。该模型具有许多吸引人的特性:它不仅提高了语言建模性能,而且能够通过关系标注给定文本的实体跨度的后验概率。实验证明了基于单词的基线语言模型和先前合并知识图谱信息的方法的经验改进。定性分析进一步证明了该模型的学习能力,以预测适当的关系在上下文中。

成为VIP会员查看完整内容
0
123

元学习的研究越来越受到学者们的重视,从最初在图像领域的研究逐渐拓展到其他领域,目前推荐系统领域也出现了相关的研究问题,本文介绍了5篇基于元学习的推荐系统相关论文,包括用户冷启动推荐、项目冷启动推荐等。

  1. MeLU: Meta-Learned User Preference Estimator for Cold-Start Recommendation

本文提出了一种新的推荐系统,解决了基于少量样本物品来估计用户偏好的冷启动问题。为了确定用户在冷启动状态下的偏好,现有的推荐系统,如Netflix,在启动初向用户提供物品选择,我们称这些物品为候选集。然后根据用户选择的物品做出推荐。以往的推荐研究有两个局限性:(1) 只有少量物品交互行为的用户推荐效果不佳,(2) 候选集合不足,无法识别用户偏好。为了克服这两个限制,我们提出了一种基于元学习的推荐系统MeLU。从元学习中,MeLU可以通过几个例子快速地应用于新任务,通过几个消费物品来估计新用户的偏好。此外,我们提供了一个候选集合选择策略,以确定自定义偏好估计的区分项目。我们用两个基准数据集对MeLU进行了验证,与两个对比模型相比,该模型的平均绝对误差至少降低了5.92%。我们还进行了用户研究实验来验证选择策略的有效性。

  1. Meta-Learning for User Cold-Start Recommendation 冷启动问题是对实际推荐系统的长期挑战。大多数现有的推荐算法依赖于大量的观测数据,对于很少交互的推荐场景来说是脆弱的。本文用少样本学习和元学习来解决这些问题。我们的方法是基于这样一种见解,即从几个例子中有一个很好的泛化,依赖于一个通用的模型初始化和一个有效的策略来使这个模型适应新出现的任务。为了实现这一点,我们将场景指定的学习与模型无关的序列元学习结合起来,并将它们统一到一个集成的端到端框架中,即场景指定的序列元学习者(或s^2 Meta)。我们的元学习器通过聚合来自各种预测任务的上下文信息来生成一个通用的初始模型,同时通过利用学习到的知识来有效地适应特定的任务。在各种现实世界数据集上的实验表明,我们提出的模型可以在在线推荐任务中获得对冷启动问题的最好效果。

  2. Sequential Scenario-Specific Meta Learner for Online Recommendation

冷启动问题是对实际推荐系统的长期挑战。大多数现有的推荐算法依赖于大量的观测数据,对于很少交互的推荐场景来说是脆弱的。本文用少样本学习和元学习来解决这些问题。我们的方法是基于这样一种见解,即从几个例子中有一个很好的泛化,依赖于一个通用的模型初始化和一个有效的策略来使这个模型适应新出现的任务。为了实现这一点,我们将场景指定的学习与模型无关的序列元学习结合起来,并将它们统一到一个集成的端到端框架中,即场景指定的序列元学习者(或s^2 Meta)。我们的元学习器通过聚合来自各种预测任务的上下文信息来生成一个通用的初始模型,同时通过利用学习到的知识来有效地适应特定的任务。在各种现实世界数据集上的实验表明,我们提出的模型可以在在线推荐任务中获得对冷启动问题的最好效果。

  1. A Meta-Learning Perspective on Cold-Start Recommendations for Items 矩阵分解(M F)是最流行的项目(item)推荐技术之一,但目前存在严重的冷启动问题。项目冷启动问题在一些持续输出项目的平台中显得特别尖锐(比如Tweet推荐)。在本文中,我们提出了一种元学习策略,以解决新项目不断产生时的项目冷启动问题。我们提出了两种深度神经网络体系结构,实现了我们的元学习策略。第一个体系结构学习线性分类器,其权重由项目历史决定,而第二个体系结构学习一个神经网络。我们评估了我们在Tweet推荐的现实问题上的效果,实验证明了我们提出的算法大大超过了MF基线方法。

  2. One-at-a-time: A Meta-Learning Recommender-System for Recommendation-Algorithm Selection on Micro Level

推荐算法的有效性通常用评价指标来评估,如均方根误差、F1或点击率CTR,在整个数据集上计算。最好的算法通常是基于这些总体度量来选择的,然而,对于所有用户、项目和上下文来说并没有一个单独的最佳算法。因此,基于总体评价结果选择单一算法并不是最优的。在本文中,我们提出了一种基于元学习的推荐方法,其目的是为每个用户-项目对选择最佳算法。我们使用MovieLens 100K和1m数据集来评估我们的方法。我们的方法(RMSE,100K:0.973;1M:0.908)没有优于单个的最佳算法SVD++(RMSE,100k:0.942;1M:0.887)。我们还探索了元学习者之间的区别,他们在每个实例(微级别),每个数据子集(中级)和每个数据集(全局级别)上进行操作。评估表明,与使用的总体最佳算法相比,一个假设完美的微级元学习器将提高RMSE 25.5%。

成为VIP会员查看完整内容
0
51

可解释推荐尝试开发模型,不仅生成高质量的推荐,而且生成直观的解释。解释可以是事后的,也可以直接来自可解释的模型(在某些上下文中也称为可解释的或透明的模型)。可解释推荐尝试解决为什么的问题:通过向用户或系统设计者提供解释,它帮助人们理解为什么算法推荐某些项目,而人既可以是用户,也可以是系统设计者。可解释推荐有助于提高推荐系统的透明度、说服力、有效性、可信度和满意度。

在这次调查中,我们回顾了在2019年或之前可解释的建议的工作。我们首先通过将推荐问题划分为5W来强调可解释推荐在推荐系统研究中的地位。什么,什么时候,谁,在哪里,为什么。然后,我们从三个角度对可解释推荐进行了全面的调查:1)我们提供了可解释推荐的研究时间轴,包括早期的用户研究方法和最近的基于模型的方法。2)我们提供了一个二维分类法来对现有的可解释推荐研究进行分类:一个维度是解释的信息源(或显示样式),另一个维度是生成可解释推荐的算法机制。3)我们总结了可解释推荐如何应用于不同的推荐任务,如产品推荐、社交推荐和POI推荐。我们还专门用一节来讨论更广泛的IR和AI/ML研究中的解释视角。最后,我们讨论了未来可解释推荐研究领域的发展方向。

成为VIP会员查看完整内容
0
76
小贴士
相关资讯
推荐系统
炼数成金订阅号
25+阅读 · 2019年1月17日
【知识图谱】基于知识图谱的用户画像技术
产业智能官
70+阅读 · 2019年1月9日
2018年最全的推荐系统干货(ECCV、CVPR、AAAI、ICML)
计算机视觉战队
9+阅读 · 2018年9月13日
领域应用 | 如何将知识图谱特征学习应用到推荐系统?
如何将知识图谱特征学习应用到推荐系统?
微软研究院AI头条
4+阅读 · 2018年6月5日
相关论文
Qingyu Guo,Fuzhen Zhuang,Chuan Qin,Hengshu Zhu,Xing Xie,Hui Xiong,Qing He
70+阅读 · 2020年2月28日
Wenqi Fan,Yao Ma,Qing Li,Yuan He,Eric Zhao,Jiliang Tang,Dawei Yin
12+阅读 · 2019年11月23日
RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems
Hongwei Wang,Fuzheng Zhang,Jialin Wang,Miao Zhao,Wenjie Li,Xing Xie,Minyi Guo
6+阅读 · 2018年8月7日
Hongwei Wang,Fuzheng Zhang,Jialin Wang,Miao Zhao,Wenjie Li,Xing Xie,Minyi Guo
14+阅读 · 2018年5月19日
Qingyao Ai,Vahid Azizi,Xu Chen,Yongfeng Zhang
9+阅读 · 2018年5月9日
Tran Dang Quang Vinh,Tuan-Anh Nguyen Pham,Gao Cong,Xiao-Li Li
11+阅读 · 2018年4月18日
Yongfeng Zhang,Qingyao Ai,Xu Chen,Pengfei Wang
21+阅读 · 2018年3月22日
Hongwei Wang,Fuzheng Zhang,Xing Xie,Minyi Guo
18+阅读 · 2018年1月30日
Han Zhu,Pengye Zhang,Guozheng Li,Jie He,Han Li,Kun Gai
7+阅读 · 2018年1月8日
Shuai Zhang,Lina Yao,Aixin Sun
4+阅读 · 2017年8月3日
Top