基于embedding方法的推薦系統總結

基于embedding的方法通常直接使用來自KG的信息來豐富物品或用戶的表征。為了利用KG信息，知識圖嵌入（KGE）算法需要應用于將KG編碼為低維embedding。KGE算法可以分為兩類：平移距離模型，如TransE 、TransH 、TransR 、TransD等，以及語義匹配模型，如DistMult 。根據用戶是否包含在KG里面，embedding方法可以分為兩類，一類是基于物品圖，一類是基于用戶-物品圖。

基于物品圖

KG由物品及其從數據集中抽取出的相關屬性構成，將這類KG稱為物品圖。在這類KG中，不包含用戶。對于這類圖，可以通過KGE的算法，來表示KG中的物品，并將關于物品的表示合并至推薦框架中。

通常的做法是，

通過聚合KG中的相關物品信息以及物品屬性向量

用戶向量可以通過用戶-物品交互矩陣，交互物品的embedding得到

通過一個函數將用戶和物品向量映射成一個偏好得分。（利用點乘的方式或經過全連接層）

在推薦策略階段，其得分結果將按降序排列

相關模型：

CKE：在CF框架中統一了各種類型的輔助信息。用KG來表示的物品屬性信息，和物品的文本信息訓練KG的embedding。物品向量通過TransR計算得到。用戶向量通過用戶-物品交互矩陣得到，對兩個向量做點乘，對結果排序。

DKN：基于新聞推薦領域，將句子的上下文embedding通過CNN得到。文本中entity的知識級embedding使用TrankD表示。最終的物品向量由KG的entity embedding和高層次的語義信息聚合得到。用戶向量通過attention計算用戶的歷史新聞信息得到。對于每一個用戶向量，首先計算歷史新聞中每一條新聞的softmax得分，然后對各個得分和對應的物品向量相乘求和，得到用戶向量。利用全連接層計算得到最終得分。

KRS：利用GRU和KV-MV網絡建模用戶時序性的交互信息。GRU捕獲用戶的時序性信息，KV-MN通過TransE建模用戶的特征信息。該方式能捕獲用戶的細粒度偏好。

基于用戶-物品圖

另一種直接基于embedding的方法構建用戶-物品圖，其中用戶、物品及其相關屬性作為節點，在用戶-物品圖中，屬性級關系（品牌、類別等）和用戶相關關系（共同購買、共同視圖等）都作為邊。之后獲取圖形中實體的embedding，用點乘計算用戶的偏好，也可以進一步考慮圖中的關系embedding，再進行點乘計算。

相關模型：

CFKGF:構建用戶物品圖譜，用戶行為作為關系類型以及物品的輔助信息。

有些論文有試圖通過強化的實體/關系表示來提高推薦性能。

KTGAN：物品知識embedding向量通過Metapath2Vec得到，電影物品的tag信息通過Word2vec得到，最終的物品向量是上面兩個的拼接。用戶向量是由用戶喜愛的電影知識embedding的平均向量和用戶標簽embedding拼接得到。然后通過一個生成器模型生成用戶喜愛的電影，利用得分函數，段判別模型是一個二分類模型，來判別用戶是否喜歡生成的電影。

BEM: 它使用物品的兩種類型圖，知識相關圖(包含物品屬性信息，如品牌、類別、等)和行為圖(包含與物品交互相關的信息，包括共同購買、共同費率、共同添加到購物車)。BEM首先學習初始embedding，從知識相關圖和行為圖分別使用TransE模型和基于GNN的模型。BEM應用貝葉斯框架來細化這兩種類型的embedding。推薦系統可以通過在行為圖中的“共同購買”或“共同點擊”的關系查找交互物品中最接近的物品。

基于embedding的多任務學習

基于embedding方法的另一個趨勢是采取多任務策略學習，共同學習推薦任務KG相關任務，物品的embedding和KG的entity embedding共享參數。

相關模型：

KTUP：聯合學習推薦模塊和KG表示。

MKR：聯合學習推薦模塊和KG表示，前者學習用戶和物品的潛在表示，而后者學習關聯項的表示具有語義匹配KGE模型的實體。

RFC：對物品進行分層描述，包括其關系類型embedding和關系值embedding。使用KGE的DistMult模型保留物品之間的關系結構。通過attention機制分別對用戶的類型偏好和價值偏好建模。

Embedding-base methods 總結

大多數基于embedding的方法是使用多類型的輔助信息構建KG來強化物品的表示，以及對用戶信息精確建模。另一部分模型將用戶引入圖用來構建用戶-物品圖譜，這樣可以直接貴用戶的偏好建模。

因為實體embedding是embedding-base的核心，所以部分論文通過GAN和BEM來強化embedding以到達更好的推薦效果。還有部分策略是通過聯合學的方式，聯合訓練推薦模塊和關系圖來提高推薦質量。

推薦系統 RES 深度學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。