Jointly Learning Explainable Rules for Recommendation with Knowledge Graph

Jointly Learning Explainable Rules for Recommendation with Knowledge Graph

ABSTRACT

构建推荐系统的两个关键层面

• 可解释性
• 有效性

与先前提出做推荐的方法比较

• 基于神经网络嵌入方法

  缺点：大多数无法给出可解释的推荐结果

• 基于图形的方法

  eg.基于元路径的模型。需要人工干预和领域知识定义模式和规则，而且忽略了项目关联类型

提出一种新的联合学习框架目的

将知识图中可解释规则的归纳与规则引导神经推荐模型的构建相结合。
该框架鼓励两个模块相互补充，以产生有效和可解释的推荐。
通过将项目名称链接到相关实体生成的知识图谱，新提出的模型产生很好的效果。

INTRODUCTION

推荐系统具有可解释性的好处

提高推荐系统的有效性，效率，说服力，透明度和用户满意度

具有可解释性的两种推荐算法

• 基于用户的推荐算法

  受数据稀疏性的困扰，如果用户缺少社交信息，就很难给出明确的推荐理由。

• 基于评论的推荐算法

  受数据稀疏性的困扰，如果商品缺少用户评论，很难给出明确的推荐理由。

利用知识图谱提高推荐效果的两种方法

• 基于路径的方法

  需要人工干预和领域知识定义模式和规则定义特征提取的路径和模式。忽略了项目之间的联系。

• 基于嵌入的方法

  推荐的结果是不可解释的。忽略了项目之间的联系。

重点：项目之间的联系能被用于给出精确和可解释的推荐。

将项目映射到知识图中，项目之间将有多跳关系路径。我们可以从预测两个项目之间的关联关系中总结出可解释的规则。这种规则有助于推荐。

一种新的联合学习框架

可以给出精确和可解释的推荐

• 规则学习模型

  利用知识图谱从规则学习模块中的项目关
  联中得出可解释的规则

• 推荐模型

  推荐模块将现有的推荐模型与简化后的规则结合在起，从而具有更好的能力来处理冷启动问题并给出可解释的推荐

KG

本文的知识图谱是通过将项目链接到
实际知识图而构造的，而不是仅由项目及其属性组成的
异构图

主要贡献

我们利用大型知识图从项目关联中得出项目之间的规则。
我们提出了一个联合优化框架，该框架可以从知识图中导出规则，并同时根据规则推荐项目。
我们对现实世界的数据集进行了广泛的实验。实验结果证明了我们框架在准确和可解释的推荐中的有效性

PRELIMINARIES

知识图谱的归纳规则

知识图中的两个实体之间存在多个路径，并且路径由具有关系类型的实体组成（例如 Pk= E1r1E2r2E3 是 E1 和 E3 之间的路径）。规则 R 由两个实体之间的关系序列决定，例如 R = r1r2 是一条规则。路径和
规则之间的区别在于规则专注于关系类型，而不是实体。

研究重点

知识图中的联合学习规则以及带有规则的推荐系统。

推荐的基本模型

本文提出的框架可以应用于不同的推荐算法。由于 BPRMF 是广泛使用的经典矩阵分解算法，而 NCF 是基于最新神经网络的推荐算法，选择修改它们以验证我们框架的有效性。

• Bayesian Personalized Ranking Matrix Factorization (BPRMF)
• Neural Collaborative Filtering (NCF)

THE RULEREC FRAMEWORK

框架概述

框架由规则学习模块和推荐模块两个模块组成

目标函数：
该框架是灵活的，可用于增强不同的推荐算法-

• 异构图构建

  构建一个包含项目和知识图的异构图。
  对于某些项目，我们可以在项目和知识图谱的实体之间进行精确映射。
  对于其它项目，我们不能在项目和知识图谱的实体之间进行精确映射。采用实体链接算法可以在项目和知识图谱的实体之间进行映射

• 规则学习模块

  规则学习模块通过推理规则与知识图谱里面的项目联系得到有用的规则。基于规则，我们可以生成一个项对特征向量，其每个条目都是每个规则的编码值（相当于图中权重w）。

• 推荐模块

  推荐模块以项目对特征向量作为附加输入，以提高推荐性能，并对推荐进行解释。我们引入了一个共享规则权重向量w表示每个规则在预测用户偏好方面的重要性，并显示了每个规则在预测项对关联方面的有效性。
  我们提出了一个通用的推荐模块，可以与现有的方法相结合。该模块利用导出的规则特征来提高推荐性能。

• 规则选择

  选择规则里面最有用的规则

  • 硬选择方法

    • Chi-square method.
    • Learning based method

  • 选选择方法

    • multi-task learning method

      多任务学习组合方法能够共同进行规则选择和推荐模型学习

• RULE SELECTION DETAILS

  本节介绍Rule Rec中规则选择组件的实现细节和结果

  • 数据集

    • 项目关联数据集

      • Cellphone and Electronics

      • 项目关联数据集的四种类型

        • ALV
        • BLV
        • ALB
        • BT

    • 知识图谱数据集

      • Freebase

    • 做推荐的数据集

      • Cellphone
      • Electronic

RELATED WORK

Combine Side-information for the Recommendation.

• 基于路径的方法
• 基于嵌入的方法

Rule Learning in the Knowledge Graph