TVfan的博客

知识图谱引入推荐系统的优势知识图谱提供了项目之间的语义相关性，可以帮助我们发现潜在的项目之间的关联性，从而提高推荐的准确性。知识图谱由多中关系类型组成，有利于扩展用户的偏好和增加推荐的多样性。知识图谱连接用户的历史交互和目标项目，可以解释推荐。...

推荐中引入知识图谱的优点知识图谱作为一种异构网络，节点表示实体，诸如物品，产品，以及他们的属性，特征；边对应为实体之间的关系，知识图谱可以获取一系列实体之间的关系和结构信息。因此，知识图谱提供了不同物品之间各种各样的关系和可以捕获物品间的语义关系。提出背景目前一些工作已经利用GNN架构来构建推荐模型，但是这些方法大多数是利用同构的用户-物品二部图，因此，如何扩展GNN到异构知识图谱称为待解决问题。本文将GNN扩展到知识图谱中，同时捕获物品之间的语义关系和用户个性化偏好...

基于KG推荐的优点KG中项目之间的丰富语义关联可以帮助探索用户物品间潜在的联系并提高结果的准确性。KG中的各种关系有助于合理地扩展用户的兴趣并增加推荐项目的多样性KG连接了用户的历史喜欢和推荐的商品，从而为推荐系统带来了可解释性。本文的探索本文主要的目标是利用知识图谱中高阶结构和语义信息提高推荐的准确性，并提供推荐合理的可解释性。受到了GCN的启发，对于知识图谱中的实体，利用其邻居信息和偏差计算该实体的表示，由于不同的邻居对实体的影响力不同，需要分配不同的权重来刻画邻居对实体产生的语义结果。由

提出背景基于CF的方法无法利用用户和物品的辅助信息，像用户简介，物品属性，以及上下文环境，在用户和无匹交互较少的情况下表现较差。FM,NFM,Wide&Deep等模型将用户和物品表示为向量，同时将辅助信息表示为特征向量与用户，物品向量相结合，提高推荐的准确性。上述方法对用户与物品的每一个交互独立处理，并没有考虑他们之间的联系。从知识图谱中更加充分的可以挖掘用户和用户，物品和物品之间的关系。如图所示，该图由用户物品交互图和异构知识图谱组成，称作协作知识图谱（CKG）。目标用户为u1u_1u

背景利用知识图谱的结构信息进行嵌入丰富物品表示Learning Heterogeneous Knowledge Base Embeddings for Explainable Recommendation（2019）Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Preferences（2019）Collaborative Knowledge Base Embe

应用场景新闻推荐提出背景新闻因具有实时性因而不适用于传统的CF技术推荐。DKN[2018]中，物品通过新闻标题和知识图谱中对应实体和实体上下文表示，用户通过用户历史推荐序列进行表示，但是新闻标题可能是语义模糊的，历史行为可能是数据稀疏的。GNN在推荐系统中的应用越来越多，目前GNN模型利用节点属性和图结构来表示用户和物品，虽然利用节点关系，视觉特征，知识图谱中传播信号增强了语义信息，但是文本内容却没有充分利用。本文贡献我们利用transformer结构对新闻标题的文本内容进行建模，通过文本

提出背景现有的知识图谱推荐通过用户和物品之间的路径进行推理，忽略了用户的历史点击序列，用户的某段历史点击序列可以归纳出用户对某类物品的喜爱程度，从而进行更加准确的推荐。本文贡献我们提出了一种基于知识图谱的注意力推理网络KARN，该网络融合了用户的点击历史记录序列和KG中的路径连接以进行推荐。我们通过结合基于用户物品知识图中物品的文本知识和上下文知识来提取物品表示。我们提出了两个组件，分别从用户的点击序列和KG中的路径连通性获得用户的历史兴趣和潜在意图的特征。基本架构物品表示提取我们从文

研究