如何在推荐系统中玩转知识图谱

微信公众号“圆圆的算法笔记”，持续更新NLP、CV、搜推广干货笔记和业内前沿工作解读~ 后台回复“交流”加入“圆圆的算法笔记”交流群；回复“时间序列“、”多模态“、”迁移学习“、”NLP“、”图学习“、”表示学习“、”元学习“等获取各个领域干货算法笔记~

CSDN无法上传图片，更好阅读体验请到公众号查看~

在推荐系统领域近几年的工作中，知识图谱被越来越多的应用进来。在推荐系统中引入知识图谱被验证会给user-item的预测效果带来比较明显的提升，一个主要原因在于通过知识图谱，可以挖掘到很多user-item历史交互行为中看不到的信息。知识图谱如何应用到推荐系统中呢？今天就给大家带来4篇顶会中典型的知识图谱应用到推荐系统的工作。

1. KDD’19-KGAT

论文题目：KGAT: Knowledge Graph Attention Network for Recommendation（KDD 2019）

下载地址：https://arxiv.org/pdf/1905.07854.pdf

大多数CTR预估模型中都将每个样本视为单独的个体，没有建立样本之间的联系。例如下图的例子中，基于协同过滤的方法更关注与user1具有相同历史行为（即看过i1）的user；而一些基于深度学习的预估模型更关注和i1有相同属性的item。这两种类型的信息可以结合到一起进而泛化出更多的信息，即根据具有相同属性的e1泛化得到和u2、u3的关系。

本文通过将item的属性信息引入到user-item的图中，挖掘更高阶的交互信息，补充user-item二部图的信息缺失，建立更广阔的的联系。具体的实现方法主要包括构图、Embedding Layer、Information Propogation和Information Aggregation四个部分。

首先在构图上，根据user和item的交互行为构建user-item二部图，user和item如果有交互则建立边.。在此基础上，引入知识图谱，即将item的属性信息entity引入二部图中。