ripple net模型: 知识图谱结合推荐系统

ripple net模型: 知识图谱结合推荐系统

论文地址
这几天大概了解了推荐系统(下面简称RS)这块的几种算法，趁记忆还在，赶紧记录一下

ripple net 最直观的理解

ripple的中文是波纹。波纹是怎么来的呢？是你往水里面扔东西产生的。所以在这里ripple net与RS的结合，就相当于往水里投了一块石头（这里是石头就是波纹的中心，也就是RS中的用户历史点击矩阵）
扔石头就会激起一层又一层的波纹，这里被激起的波纹就对应了知识图谱（下面简称KG）一个又一个的实体。由用户的历史纪录激起的水波，就是用户潜在感兴趣的item
除此之外波纹还有一个特点，它会随着层数的变大而逐渐衰减，这里类比到ripplenet也是同样的
具体可以看下面论文中的图

用公式描述ripple net

好了，通过刚刚对ripple net直观的认识，相信大家心里应该大概明白ripple net的作用机制了，那么接下来我们来看看ripple net的结构

首先我们先来梳理一下大概的内容：
ripple net输入：

• user的历史点击矩阵（点击则为1，没有点击则为0）
• 知识图谱

ripple net输出：

• user对item的潜在偏好，也就是预测矩阵

ripple net内部：
最终想要得到预测矩阵，其实就是要比较user embedding(特征)与item embedding的相似程度，可以用下面的公式来描述他们的相似度
$$u^{T}v$$
其中 $u$ 是user embedding matrix, $v$ 是item embedding matrix，那么现在的关键就是要怎么得到这两个矩阵了
首先比较容易直接得到的是item embedding matrix，这里的item有可能是标题等等的内容，通过语义切分，KCNN之类的方法可以直接得到

论文里讲的是通过embedding层可以直接得到，我看了其他的资料有提到说是用KCNN进行语义切分，其实我自己也不是很清楚是不是这么得到item embedding matrix

那么接下来的关键就是要得到user embedding matrix了,user embedding matrix的获得方法比较复杂，需要通过用户历史点击记录，知识图谱以及item embedding matrix共同参与得到。下面详细展开

在解释方法之前先上一些定义

• KG(知识图谱)：KG是一种异构的有向图结构（这里不是很明白异构是什么意思），其中包含许多的三元组{entity,relation,entity}，KG中的点为entity,边为ralation. 具体想了解的更清楚可以参考这篇博文当知识图谱遇上个性化推荐
• relevant entity：通过上面类比水波我们可以知道，外层的水波其实是由内层水波传播的来的，因此这里采用的是递归定义的形式

ripple net中第k层的节点由k-1层的来，其中第0层就是用户的历史纪录

ripple net中第k层的关系
这里最大层数H一般不会设置的太大，一方面太大了计算量也会很大，另一方面如果设置的太大其实后面几层的概率也很小

形式化定义了ripple net中的点和关系，是为了下面计算ripple net的响应

接下来计算item embedding 与 head 的相似性（这里我也不是很明白为什么是计算这两者的相似性，大概意思是 由item embedding作为头传播得到的user embedding？)然后用softmax函数归一化一下。这个相似性就是下面我们要用到的权值

注意论文中有提到，使用 $v^T{R}_i{h}_i$ 而不是直接用 $v^T{h}_i$ 计算相似性的原因是在ripple net中需要考虑路径
考虑了head和relation之后，我们通过加权所有tail 对应的embedding，就得到了用户兴趣通过ripple net之后得到的一阶响应

把H阶响应都求和就得到了user embedding矩阵了

最终的预测矩阵为（这里用的是sigmoid函数进行归一化）

ripple net 损失函数

这部分真的是看的最痛苦的地方了…数学功底不够啊…有空再回来写

多重ripple

论文后面还讨论了多重ripple的情形，这里也可以直接联想现实生活中的水波，水波会相互加强，也可能会衰弱产生噪声