统一知识图学习和推荐:更好地理解用户偏好Unifying Knowledge Graph Learning and Recommendation

摘要：

引入知识图谱(KG)到推荐系统中，则能显著提升推荐系统的准确性和可解释性能力。然而，在现有研究中仍存在较大的局限性：主要假设知识图谱是完整的，并且仅通过实体原始数据或嵌入的浅层信息传递其中的知识。这种做法往往会导致系统性能不尽如人意：由于现实中知识图谱几乎无法实现完全（即难以达到100%的完整性），并且通常会缺少事实、关系和实体等关键信息。因此我们相信，在引入知识图谱到推荐系统时需要充分考虑其不完整性这一重要特性。

本文探讨了推荐系统与知识图谱补充方法的结合。相较于传统基于知识图谱的知识推荐技术，在本研究中我们采用将关系数据以知识图谱的形式进行表示，并通过这种表示方式深入分析用户的偏好形成机制。例如，在某用户看过多个与（实体）相关的项目（如电影）的情况下，我们可以推断出导演关系在用户决策时起着至关重要的作用

在技术层面上来讲，在机器学习领域中我们开发了一种创新性的基于机器翻译的知识图谱（Knowledge Graph, KG）驱动型个性化推荐系统，在这项研究中我们特别充分考虑到用户对于不同机器翻译版本的各种个性化偏好需求，并在此基础上融合多套转换策略进行优化调整。通过利用知识图谱（Knowledge Graph, KG）来构建并进行联合训练这一过程，在两个基准数据集上的大量实验结果表明，在准确率、召回率等关键指标上均较之现有的基于单一知识图谱驱动型个性化推荐方法表现出显著的优势。
进一步分析表明，在这项研究中联合训练不仅对推荐任务及构建知识图谱的任务带来积极促进作用，并且我们在理解和预测用户偏好的能力方面也展现出显著的优势。

本文采用的是联合训练。

以下是个人理解，欢迎大家指错：

本文主要解决的问题： item推荐和kg完整性（completion）两个任务

解决思路： 通过融合嵌入模型实现多模态数据融合；将知识图谱中的事实数据作为补充依据，并结合用户的物品交互行为进行分析；基于用户的物品交互模拟机制弥补知识图谱中事实数据的不足。

提出的模型： TUP和KTUP

TUP（基于翻译的用户偏好）：结合知识图谱学习，并通过用户-物品间的多维隐性关联揭示用户的偏好意图。为了使偏好具有明确的语义内涵，在知识图谱中建立相应的对应关系，在这一过程中，项目属性的类型扮演着关键角色。

KTUP（Knowledge-enhanced TUP）：通过从知识图谱（KG）迁移至TUP的过程中学习获得关系和实体的嵌入表示。同时致力于提升知识图谱的整体完整性以及相关的推荐任务效能。通过整合用户行为、物品特征以及相关的实体与关系表示进行协同优化，并将其与TransH模型进行深度融合。

下面具体介绍这两个模型：

TUP: 主要考虑偏好诱导和基于超平面的转化

偏好诱导：开发了两种不同的偏好诱导策略：一种是从P个可选的偏好中选择一个的硬编码方法；另一种则是通过整合所有偏好信息与注意力机制来实现软化决策过程。

Hard Strategy:推荐有效的单一偏好，利用得分函数（点积）

soft Strategy：通过注意力机制（attention mechanism）来联合多重偏好。

基于超平面的转化：当一个用户同时喜欢两个items时,其用户的嵌入表示就较为接近