知识图谱在推荐中的应用

最新推荐文章于 2024-08-04 23:35:21 发布

原创

最新推荐文章于 2024-08-04 23:35:21 发布 · 1.1k 阅读

6 ·

CC 4.0 BY-SA版权

论文'Deep Knowledge-Aware Network for News Recommendation'提出DKN模型，解决新闻推荐中知识层面联系的不足。DKN通过知识蒸馏识别实体，构建关系子图，并用知识感知CNN处理新闻标题，结合注意力机制提取用户兴趣，预测点击率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文题目：Deep Knowledge-Aware Network for News Recommendation
论文链接：https://arxiv.org/abs/1801.08284
abstract：
文中作者认为现有的新闻推荐方法中没有充分利用新闻中知识层面的联系，新闻推荐系统具有时间敏感和用户喜好变化的特性。所以作者提出了DKN将知识图谱表示应用到新闻推荐中。
introduction：
However, traditional semantic models [32] or topic models [3] can only find their relatedness based on co-occurrence or clustering structure of words, but are hardly able to discover their latent knowledge-level connection.
传统的方法判断两个新闻之间的联系都是基于词的共现，没有考虑到知识层面的相似性。
DKN is a content-based model for click-through rate (CTR) prediction, which takes one piece of candidate news and one user’s click history as input, and outputs the probability of the user clicking the news.
DKN的输入是一条候选新闻和用户历史点击过的新闻；输出是该用户点击该新闻的概率可能性。
下面重点介绍一下DKN的framework
1.Knowledge Distillation
(1).首先需要识别出新闻内容中所有的实体
(2).将这些实体从知识图谱中进行提取相应的关系得到关系图谱的子图，考虑到由此得到的结果可能很稀疏，将每个实体进行一节的跳跃，即加入与这些节点直接相连的实体节点。然后利用TransE，TransR等