基于知识图的推荐

基于知识图的推荐

阅读论文：Graph Learning Approaches to Recommender Systems: A Review
arXiv:2004.11718

摘要

近年来，基于图学习的推荐系统（GLRS）得到了迅速的发展。GLRS主要采用先进的图学习方法，对推荐系统（RS）中用户的偏好、意图、项目特征和流行程度进行建模。与传统的RS（包括基于内容的过滤和协同过滤）不同，GLRS建立在简单或复杂的图形上，其中各种对象（例如用户、项目和属性）是显式或隐式连接的。随着图学习技术的迅速发展，探索和开发图中的同构或异构关系是建立先进的知识库的一个很有前途的方向。本文系统地介绍了GLRS如何从图中获取知识，以提高推荐的准确性、可靠性和可解释性。首先，我们对GLRS进行了描述和形式化，然后总结和分类了这一新研究领域的关键挑战。然后，我们调查了该地区最新和最重要的事态发展。最后，我们分享了这一充满活力的领域的一些新的研究方向。

摘取出其中关于知识图谱的内容

基于知识图的RS（Knowledge Graph-based RS，KGRS）一般是在外部知识（如边信息）的基础上构建一个知识图（Knowledge Graph，KG），用以探索用户或项目之间隐含的或高阶的连通关系，丰富其表示形式，从而提高推荐性能。更重要的是，由于利用了额外的知识，KGRS能够更好地理解用户行为和物品特征，从而产生更具解释性的建议【Wang等人，2018a】。KGRS主要集中在遥感早期的KG构建上，而现有的各种技术包括因子分解机、图神经网络等都被用来从KG中提取信息并整合到后续的推荐中。根据建立KG所用的知识，KGRS一般可分为三类，下面将依次介绍。

基于本体的KGRS（OKGRS）。
OKGRS以用户或项目本体为基础，建立层次化的KG，以树状图的形式表示层次归属关系。层次KG的一个典型示例是亚马逊网站，利用产品类别组织平台上所有在售商品。在该图中，根节点表示最粗粒度的类别，如食物，而叶节点表示面包等特定项目。近年来，OKGRS被广泛研究，以增强推荐的可解释性，例如，使用它从项目本体图中提取多级用户兴趣[Gao等人，2019，Wang等，2017]。

基于侧面信息的KGRS（SKGRS）。
SKGRS根据用户或项目的侧面信息（如项目的属性）建立KG，以发现它们之间的隐含联系，从而提高推荐性能。例如，共享相同属性值的项之间的隐式连接（例如，饮料）提供了额外的信息来理解RS中的项间关系，KG在协同过滤中被广泛使用，通过合并额外的信息来丰富项目表示，以改进建议【Wang等人，2019c】。

基于常识的KGRS（CKGRS）。
CKGRS主要建立在公共知识的基础上，如从在线文本中提取的一般语义、领域知识等。CKGRS融合了从公共知识中提取的推荐产品或服务之间的外部隐含关系，以改进推荐。因此，它们被广泛应用于新闻推荐中，以发现新闻[Wang et al.，2018b]和电子商务之间的潜在知识水平联系，从而推断用户的潜在需求[Luo et al.，2019]。