Jointly Learning Explainable Rules for Recommendation with Knowledge Graph
Co-Learning Interpretable Knowledge Rules for Recommendation Based on Knowledge Graph
ABSTRACT
构建推荐系统的两个关键层面
- 可解释性
- 有效性
与先前提出做推荐的方法比较
基于神经网络嵌入方法
缺点：大多数无法给出可解释的推荐结果
基于图形的方法
eg.以元路径为基础的模型（eg.）。依赖人脑或专业知识进行设置，并且制定了规范流程或行为准则。未考虑项目间的关联性类型。
提出一种新的联合学习框架目的
将知识图中的可解释规则进行总结，并将其整合到神经推荐模型的构建中。
该框架促使这两个模块互相补充并实现精准且易于理解的推荐结果。
利用项目名称与相关实体之间的关联关系构建知识图谱后，所提出的新模型表现出色。
INTRODUCTION
推荐系统具有可解释性的好处
提高推荐系统的有效性，效率，说服力，透明度和用户满意度
具有可解释性的两种推荐算法
基于用户的推荐算法
由于数据稀疏性的影响，在用户缺乏社交信息的情况下，则难以提供具有说服力的推荐依据。
基于评论的推荐算法
受数据稀疏性的困扰，如果商品缺少用户评论，很难给出明确的推荐理由。
利用知识图谱提高推荐效果的两种方法
基于路径的方法
为了依赖人工干预并基于领域知识来定义模式与规则以及特征提取的方法路径与模型。研究者忽视了各项目间的关联性。
基于嵌入的方法
推荐的结果是不可解释的。忽略了项目之间的联系。
重点：项目之间的联系能被用于给出精确和可解释的推荐。
将项目的元数据投射至知识图谱中，则不同项目的元数据间可能形成多对多的关联关系。通过分析不同项目的元数据间的关联模式，并结合已有知识图谱中的信息构建推理框架，则可从中提取出具有解释性的规则。这些可解释性规则能够为推荐系统提供逻辑依据。
一种新的联合学习框架
可以给出精确和可解释的推荐
规则学习模型
利用知识图谱从规则学习模块中的项目关
联中得出可解释的规则
推荐模型
推荐模块将传统的推荐模型与精简的规则融合在一起，并以此为基础解决冷启动问题并提供具有可解释性的推荐。
KG
文章中的知识架构不是仅仅依赖于项目及其相关属性构建的非异构图。
主要贡献
基于大型知识图谱的大数据分析与建模技术，在项目关联分析的基础上提取了项目间的运行规律与约束关系。
通过构建多目标协同优化体系实现了对隐含业务规则的有效抽取与归纳，并在此基础上实现精准化的项目推荐。
针对实际应用场景设计了一套系统性评估方法，在真实场景数据集上进行了系统的参数调优与性能验证。
PRELIMINARIES
知识图谱的归纳规则
在知识图中，在某些情况下（并非总是），两个特定实体之间可能存在多条通路，并且这些通路由具有特定关系类型的其他实体构成（如Pk= E₁·R₁·E₂·R₂·E₃ 表示从 entity₁ 到 entity₃ 的一条通路）。该 rule R 是通过两个 entity 间的关系序列所决定的（如 R = r₁·r₂ 表示一条 rule）。path 和 rule 的区别在于 path 强调的是 relation 类型而非具体的 entity。
研究重点
知识图中的联合学习规则以及带有规则的推荐系统。
推荐的基本模型
该框架具备广泛的适用性，并能够适应多种不同的推荐场景。其中 BPRMF 作为经典的矩阵分解方法被广泛应用，在实际应用中取得了显著的效果；另一方面 NCF 基于最新的神经网络技术，在推荐系统领域也展现出强大的潜力和实用性；因此我们选择了对其进行优化处理以便更好地验证我们的框架是否具有足够的有效性和优越性
- Bayesian Personalized Ranking Matrix Factorization (BPRMF)
- Neural Collaborative Filtering (NCF)
THE RULEREC FRAMEWORK
框架概述
框架由规则学习模块和推荐模块两个模块组成
目标函数：
该框架是灵活的，可用于增强不同的推荐算法-
异构图构建
构建一个异构图模型,使其能够整合项目与知识图谱.对于特定类型的项目而言,在与其相关联的知识图谱实体之间建立精确对应关系是可行的.对于其他类型或规模较大的项目而言,在其与知识图谱实体之间的精确映射并不总是可能实现的.通过应用实体链接算法,在项目与知识图谱之间的实体对应关系得以建立或优化.
规则学习模块
该模块借助推理机制将存储于知识库中的相关条目与新引入的项进行关联处理。在后续阶段能够自动生成一个项对特征向量，在此过程中每个条目都代表对应关系式的编码值（相当于图中权重w）。
推荐模块
基于项目-向量对的额外输入设计了一种新的推荐机制，并在此基础上实现了结果的可解释性。为了量化不同规则的重要性程度，在模型构建过程中引入了共享规则权重向量w，并评估了其在关联关系预测任务中的有效性表现。
规则选择
选择规则里面最有用的规则
硬选择方法
* Chi-square method.
* Learning based method选选择方法
multi-task learning method
多任务学习组合方法能够共同进行规则选择和推荐模型学习
RULE SELECTION DETAILS
本节介绍Rule Rec中规则选择组件的实现细节和结果
数据集
项目关联数据集
Cellphone and Electronics
项目关联数据集的四种类型
* ALV
* BLV
* ALB
* BT知识图谱数据集
* Freebase做推荐的数据集
* Cellphone
* ElectronicRELATED WORK
Combine Side-information for the Recommendation.
- 基于路径的方法
- 基于嵌入的方法