用知识图谱优化个性化推荐模型

最近需要完成的一个项目：为了增加用户与商品之间的粘性，准备使用用户和商品的网络表示学习来补充商品的召回策略。

微软研究院发表的一篇《如何将知识图谱特征学习应用到推荐系统？》还是写的比较好的，今天准备研究最近发表的RippleNet: Propagating User Preferences on Knowledge Graph for Recommender Systems。

利用知识图谱打通不同媒介之间的关联是研究的比较热门的方向，从结构化表示方法到最近的RippleNet框架提出在学术界的影响还是比较大的：

• 结构化表示方法(Structured embedding,SE): 将实体用向量进行表示，然后通过关系矩阵将实体投影到与实体关系对的向量空间中，最后通过计算投影向量之间的距离来判断实体间已存在的关系的置信度。基于SE模型的一些缺陷，在此基础上又提出采用单层神经网络的非线性模型（SLM）、LFM、RESCAL、TransE、TransH、TransR、KG2E等模型
• RippleNet（www.2018): 一个将知识图纳入推荐系统的端到端框架，类似于在水面上传播的实际波纹，通过自动迭代，沿知识图中的链接扩展用户的潜在兴趣，并可以在知识图上找到推荐项路径来提供解释。