知识图谱与推荐系统_paper_biji

1. Collaborative Knowledge Base Embedding for Recommender Systems. KDD 2016
   将embedding表示和CF 协同过滤结合，知识的结构部分 embedding表示用TransR学习，文本部分用去噪Autoencoder方式，图像部分用CNN Autoencoder方式得到。（补充说明：稀疏编码器，在损失函数里加上能让隐向量h稀疏化的正则项，对于每个节点来说，处于激活或者不激活状态，也就是服从伯努利分布。Stacked AE：会陷入局部最优小，逐层贪婪训练，每层训练的时候固定住其他层的参数不变，只训练当层参数。去噪：训练数据加噪声，还原无噪声的训练数据。VAE是在 对 encoder 的结果（在VAE中对应着计算均值的网络）加上了“高斯噪声”，使得结果 decoder 能够对噪声有鲁棒性；而那个额外的 KL loss（目的是让均值为 0，方差为 1），事实上就是相当于对 encoder 的一个正则项，希望 encoder 出来的东西均有零均值。）
   用pairwise的方式学习，输入数据格式（i,j,j`）i是user，j是点击的item，j·是随机负采样的未点击item。
   

2. DKN: Deep Knowledge-Aware Network for News Recommendation. WWW 2018