RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems阅读笔记

最新推荐文章于 2022-10-21 21:12:17 发布

护瓜使者

最新推荐文章于 2022-10-21 21:12:17 发布

阅读量926

点赞数 1

CC 4.0 BY-SA版权

分类专栏： GNN paper阅读笔记

本文链接：https://blog.youkuaiyun.com/a632377680/article/details/90300408

本文是关于RippleNet的阅读笔记，它利用知识图谱进行用户偏好传播以解决推荐系统的冷启动和稀疏问题。RippleNet模拟物理中的涟漪扩散过程，通过用户历史行为在知识图谱上进行多跳扩散，学习用户和物品的嵌入向量。模型结构包括传播层和残差连接，优化目标结合了二分类交叉熵、图正则和参数正则化。文中提出了对模型在冷启动问题、组合性质以及内存消耗等方面的思考。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems阅读笔记

Graph for Recommender Systems阅读笔记)

一些絮叨

大家好，我是某不知名大学的不知名硕士，目前主要从事图神经网络方面的研究。首先声明一下，这是迄今为止，本人写第一篇博文，因此，有任何理解不到位或行文逻辑等各种问题，希望大家能够批评指正，本人会在日后的写作中多加注意。另外，本人写博文的目的在于为自己建立便捷的知识索引，同时也希望能对同行有所帮助。

Motivation

在推荐系统中，通常通过引入边信息（Social Network，Item Attributes）来解决冷启动和稀疏问题。这边文章引入**Knowledge Graph（KG）**作为边信息，并克服了embedding-based和path-based在KG上的局限，提出了RippleNet。该模型类似于物理中的点扩散过程，具体来说，就是根据user的历史行为在KG上进行点扩散，详细的扩散策略会在模型中进行介绍。这里有一点需要指出，paper中提到的冷启动可能不是指的user冷启动。

Model

模型简单有效也是这个工作的一大亮点吧。该模型是通过学出user以及item的embedding来进行推荐的，下面来介绍下RippleNet。
想像一个雨天，平静的水面上荡起涟漪。前面的KG就是这里的水面，user历史行为就是雨滴。RippleNet就是来model这些涟漪如何传播。user的历史行为指的是点击、观看等，即对应user-item矩阵中value为1的元素。为了更加直观的解释model，我们以索引为0的user举例。首先，不妨定义user-item矩阵为 $\in \mathbb R^{d_u \times d_v}$ ，则索引为0的user对应着 $Y_0 \in \mathbb R^{d_v}$