DKN: Deep Knowledge-Aware Network for News Recommendation简析

最新推荐文章于 2022-04-29 11:05:14 发布

loserChen.

最新推荐文章于 2022-04-29 11:05:14 发布

阅读量3k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：论文学习文章标签： DKN 知识图谱推荐

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/qq_35564813/article/details/90347832

论文学习专栏收录该内容

41 篇文章

订阅专栏

DKN模型结合知识图谱和CNN，创新性地将新闻表示为语义与知识的融合向量，通过KCNN和注意力机制预测用户新闻点击行为。它利用实体链接技术和基于距离的翻译模型提取知识，通过CNN处理句子结构，从而提升推荐系统的准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

DKN: Deep Knowledge-Aware Network for News Recommendation

介绍

现存的关于新闻的推荐都没有完全利用知识层面的联系，因此作者提出DKN，利用KCNN融合语义与知识层面的新闻表示向量，同时利用attention将用户点击历史与候选新闻计算。

知识储备

知识图嵌入

文章首先介绍了TransE，TransH，TransR，TransD等表示学习方法。具体可以参考这篇文章

基于CNN的句子表示学习

DKN中提取句子特征的CNN源自于Kim CNN，用句子所包含词的词向量组成的二维矩阵，经过一层卷积操作之后再做一次max-over-time的pooling操作得到句子向量，如下图所示：

在这里插入图片描述

问题生成

文章旨在解决已知用户新闻标题点击历史，预测接下来要点击哪一个新闻

模型框架

在这里插入图片描述

可以看出KCNN将新闻标题转化为对应的表示向量，利用候选新闻与新闻序列计算，得到对应的用户embedding与candidate news embedding后利用DNN计算点击概率。

知识提取

实体embedding：

在这里插入图片描述

构建方法如下：

识别出标题中的实体并利用实体链接技术消除歧义
根据已有知识图谱，得到与标题中涉及的实体链接在一个step之内的所有实体所形成的子图。
构建好知识子图以后，利用基于距离的翻译模型得到子图中每个实体embedding。
得到标题中每个单词对应的实体embedding。

上下文embedding：

利用相邻的实体来共同表示对应实体：

直接求平均：
在这里插入图片描述

KCNN

利用矩阵将实体embedding和上下文转换到与语义embedding一样的空间，并通过将语义的embedding，实体embedding，上下文embedding组成三个信道，使用上述介绍过的KCNN提取句子表示向量。

Attention

attention方面与一般的做法没有什么区别

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。