地址:
https://www.zhuanzhi.ai/paper/90d0d696560bc88ea93f629b478a2128
為了解決各種在線應用中的信息爆炸問題,提高用戶體驗,推薦系統(tǒng)被提出來進行用戶偏好建模。盡管人們已經(jīng)做出了許多努力來實現(xiàn)更加個性化的推薦,但是推薦系統(tǒng)仍然面臨著一些挑戰(zhàn),比如數(shù)據(jù)稀疏性和冷啟動。近年來,以知識圖譜作為邊信息生成推薦引起了人們的極大興趣。這種方法不僅可以緩解上述問題,提供更準確的推薦,而且可以對推薦的項目進行解釋。本文對基于知識圖譜的推薦系統(tǒng)進行了系統(tǒng)的研究。我們收集了這一領域最近發(fā)表的論文,并從兩個角度進行了總結(jié)。一方面,我們通過研究論文如何利用知識圖譜進行準確和可解釋的推薦來研究所提出的算法。另一方面,我們介紹了這些工作中使用的數(shù)據(jù)集。最后,我們提出了幾個可能的研究方向。
概述
近年來,將知識圖譜(KG)作為邊信息引入推薦系統(tǒng)引起了研究者的關(guān)注。KG是一個異構(gòu)圖,其中節(jié)點作為實體,邊表示實體之間的關(guān)系。可以將項目及其屬性映射到KG中,以了解項目[2]之間的相互關(guān)系。此外,還可以將用戶和用戶端信息集成到KG中,從而更準確地捕捉用戶與物品之間的關(guān)系以及用戶偏好。圖1是一個基于KG的推薦示例,其中電影“Avatar”和“Blood Diamond”被推薦給Bob。此KG包含用戶、電影、演員、導演和類型作為實體,而交互、歸屬、表演、導演和友誼是實體之間的關(guān)系。利用KG,電影與用戶之間存在不同的潛關(guān)系,有助于提高推薦的精度。基于知識的推薦系統(tǒng)的另一個優(yōu)點是推薦結(jié)果[14]的可解釋性。在同一個示例中,根據(jù)user-item圖中的關(guān)系序列可以知道向Bob推薦這兩部電影的原因。例如,推薦《阿凡達》的一個原因是,《阿凡達》與鮑勃之前看過的《星際穿越》屬于同一類型。最近提出了多種KGs,如Freebase[15]、DBpedia[16]、YAGO[17]、谷歌的知識圖譜[18],方便了KGs的推薦構(gòu)建。
本次綜述的目的是提供一個全面的文獻綜述利用KGs作為側(cè)信息的推薦系統(tǒng)。在我們的研究過程中,我們發(fā)現(xiàn)現(xiàn)有的基于KG的推薦系統(tǒng)以三種方式應用KGs: 基于嵌入的方法、基于路徑的方法和統(tǒng)一的方法。我們詳細說明了這些方法的異同。除了更準確的推薦之外,基于KG的推薦的另一個好處是可解釋性。我們討論了不同的作品如何使用KG來進行可解釋的推薦。此外,根據(jù)我們的綜述,我們發(fā)現(xiàn)KGs在多個場景中充當了輔助信息,包括電影、書籍、新聞、產(chǎn)品、興趣點(POIs)、音樂和社交平臺的推薦。我們收集最近的作品,根據(jù)應用程序?qū)λ鼈冞M行分類,并收集在這些作品中評估的數(shù)據(jù)集。
本次綜述的組織如下: 在第二部分,我們介紹了KGs和推薦系統(tǒng)的基礎;在第3節(jié)中,我們介紹了本文中使用的符號和概念;在第4節(jié)和第5節(jié)中,我們分別從方法和評價數(shù)據(jù)集的角度對基于知識的推薦系統(tǒng)進行了綜述;第六部分提出了該領域的一些潛在研究方向;最后,我們在第7節(jié)總結(jié)了這次調(diào)查。
圖2 常用知識圖譜集合
圖3 符號
知識圖譜推薦系統(tǒng)方法
Embedding-based方法
基于嵌入的方法通常直接使用來自KG的信息來豐富項目或用戶的表示。為了利用KG信息,需要使用知識圖嵌入(KGE)算法將KG編碼為低秩嵌入。KGE算法可分為兩類[98]:翻譯距離模型,如TransE[99]、TransH[100]、TransR[101]、TransD[102]等;語義匹配模型,如DistMult[103]等。
根據(jù)KG中是否包含用戶,可以將基于嵌入的方法分為兩個類。在第一種方法中,KGs由項目及其相關(guān)屬性構(gòu)成,這些屬性是從數(shù)據(jù)集或外部知識庫中提取的。我們將這樣的圖命名為項目圖。注意,用戶不包括在這樣的項目圖中。遵循這一策略的論文利用知識圖嵌入(KGE)算法對圖進行編碼,以更全面地表示項目,然后將項目側(cè)信息集成到推薦框架中。其大意可以如下所示。
另一種embedding-based方法直接建立user-item圖,用戶,項目,以及相關(guān)屬性函數(shù)作為節(jié)點。在用戶-項目圖中,屬性級關(guān)系(品牌、類別等)和用戶級關(guān)系(共同購買、共同查看等)都是邊。
Path-based Methods
基于路徑的方法構(gòu)建一個用戶-項目圖,并利用圖中實體的連接模式進行推薦。基于路徑的方法在2013年就已經(jīng)開發(fā)出來了,傳統(tǒng)的論文將這種方法稱為HIN中的推薦方法。通常,這些模型利用用戶和/或項的連接性相似性來增強推薦。
統(tǒng)一方法
基于嵌入的方法利用KG中用戶/項的語義表示進行推薦,而基于路徑的方法使用語義連接信息,并且兩種方法都只利用圖中信息的一個方面。為了更好地利用KG中的信息,提出了將實體和關(guān)系的語義表示和連通性信息結(jié)合起來的統(tǒng)一方法。統(tǒng)一的方法是基于嵌入傳播的思想。這些方法以KG中的連接結(jié)構(gòu)為指導,對實體表示進行細化。
總結(jié):
基于嵌入的方法使用KGE方法對KG(項目圖或用戶-項目圖)進行預處理,以獲得實體和關(guān)系的嵌入,并將其進一步集成到推薦框架中。然而,這種方法忽略了圖中信息的連通性模式,很少有文獻能夠給出有原因的推薦結(jié)果。基于路徑的方法利用用戶-項圖,通過預先定義元路徑或自動挖掘連接模式來發(fā)現(xiàn)項的路徑級相似性。基于路徑的方法還可以為用戶提供對結(jié)果的解釋。將基于嵌入的方法與基于路徑的方法相結(jié)合,充分利用雙方的信息是當前的研究趨勢。此外,統(tǒng)一的方法還具有解釋推薦過程的能力。
圖4 收集論文表。在表格中,Emb代表基于嵌入的方法,Uni代表統(tǒng)一方法,Att’代表注意力機制,’RL’代表強化學習,’AE’代表自動編碼器,’MF’代表矩陣分解。
代表數(shù)據(jù)集
圖5 不同應用場景和相應論文的數(shù)據(jù)集集合
未來方向
在以上幾節(jié)中,我們從更準確的推薦和可解釋性方面展示了基于知識的推薦系統(tǒng)的優(yōu)勢。雖然已經(jīng)提出了許多利用KG作為側(cè)信息進行推薦的新模型,但仍然存在一些改進的機會。在這一部分中,我們概述并討論了一些未來的研究方向。
動態(tài)推薦。雖然基于KG的推薦系統(tǒng)在GNN或GCN架構(gòu)下取得了良好的性能,但是訓練過程是耗時的。因此,這些模型可以看作是靜態(tài)的偏好推薦。然而,在某些情況下,如網(wǎng)上購物、新聞推薦、Twitter和論壇,用戶的興趣會很快受到社會事件或朋友的影響。在這種情況下,使用靜態(tài)偏好建模的推薦可能不足以理解實時興趣。為了捕獲動態(tài)偏好,利用動態(tài)圖網(wǎng)絡可以是一個解決方案。最近,Song等[127]設計了一個動態(tài)圖-注意力網(wǎng)絡,通過結(jié)合來自朋友的長期和短期興趣來捕捉用戶快速變化的興趣。按照這種方法,很自然地要集成其他類型的側(cè)信息,并構(gòu)建一個KG來進行動態(tài)推薦。
多任務學習。基于kg的推薦系統(tǒng)可以看作是圖中鏈接預測。因此,考慮到KG的性質(zhì),有可能提高基于圖的推薦的性能。例如,KG中可能存在缺失的事實,從而導致關(guān)系或?qū)嶓w的缺失。然而,用戶的偏好可能會被忽略,因為這些事實是缺失的,這可能會惡化推薦結(jié)果。[70]、[95]已經(jīng)證明了聯(lián)合訓練KG完成模塊和推薦模塊以獲得更好的推薦是有效的。其他的工作利用多任務學習,將推薦模塊與KGE task[45]和item relation regulation task聯(lián)合訓練[73]。利用從其他kg相關(guān)任務(例如實體分類和解析)遷移知識來獲得更好的推薦性能,這是很有趣的。
跨域推薦。最近,關(guān)于跨域推薦的研究已經(jīng)出現(xiàn)。其動機是跨域的交互數(shù)據(jù)不相等。例如,在Amazon平臺上,圖書評級比其他域更密集。使用遷移學習技術(shù),可以共享來自具有相對豐富數(shù)據(jù)的源域的交互數(shù)據(jù),以便在目標域內(nèi)進行更好的推薦。Zhang等[128]提出了一種基于矩陣的跨域推薦方法。后來,Zhao等人[129]引入了PPGN,將來自不同領域的用戶和產(chǎn)品放在一個圖中,并利用user item交互圖進行跨領域推薦。雖然PPGN的性能顯著優(yōu)于SOTA,但是user item圖只包含交互關(guān)系,并不考慮用戶和項目之間的其他關(guān)系。通過將不同類型的用戶和項目端信息合并到用戶-項目交互圖中,以獲得更好的跨域推薦性能。
知識增強語言表示。為了提高各種自然語言處理任務的性能,有將外部知識集成到語言表示模型中的趨勢。知識表示和文本表示可以相互細化。例如,Chen等人[130]提出了短文本分類的STCKA,利用來自KGs(如YAGO)的先驗知識,豐富了短文本的語義表征。Zhang等人[131]提出了ERNIE,該方法融合了Wikidata的知識,增強了語言的表示能力,該方法已被證明在關(guān)系分類任務中是有效的。雖然DKN模型[48]既利用了文本嵌入,也利用了新聞中的實體嵌入,但這兩種嵌入方式只是簡單地串聯(lián)起來,得到新聞的最終表現(xiàn)形式,而沒有考慮兩個向量之間的信息融合。因此,將知識增強的文本表示策略應用于新聞推薦任務和其他基于文本的推薦任務中,能夠更好地表示學習,從而獲得更準確的推薦結(jié)果,是很有前景的。
知識圖譜嵌入方法。基于不同約束條件的KGE方法有兩種:翻譯距離模型和語義匹配模型。在本次綜述中,這兩種類型的KGE方法被用于三種基于KGE的推薦系統(tǒng)和推薦任務中。但是,還沒有全面的工作建議在什么情況下,包括數(shù)據(jù)源、推薦場景和模型架構(gòu),應該采用特定的KGE方法。因此,另一個研究方向是比較不同KGE方法在不同條件下的優(yōu)勢。
用戶端信息。目前,大多數(shù)基于KG的推薦系統(tǒng)都是通過合并項目側(cè)信息來構(gòu)建圖的,而很少有模型考慮用戶側(cè)信息。然而,用戶側(cè)信息,如用戶網(wǎng)絡和用戶的人口統(tǒng)計信息,也可以很自然地集成到當前基于KGbased的推薦系統(tǒng)框架中。最近,F(xiàn)an等人[132]使用GNN分別表示用戶-用戶社交網(wǎng)絡和用戶-項目交互圖,該方法在用戶社交信息方面優(yōu)于傳統(tǒng)的基于cf的推薦系統(tǒng)。在我們最近的調(diào)查[96]中,一篇論文將用戶關(guān)系整合到圖表中,并展示了這種策略的有效性。因此,在KG中考慮用戶側(cè)信息可能是另一個研究方向。
專知便捷查看