【论文阅读】Unifying Knowledge Graph Learning and Recommendation

Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Preferences

总体大纲如下图

 

记录下：9月6号

组合两个模型：TransH和TUP
TransH：考虑关系和实体的1对N，N对1，N对N的情况，实现kg的补全增强
TUP：包括偏好引入和超平面映射

• 偏好归纳组件
  给定user-item对（u,i），组件从latent factors集合P中归纳出一种偏好。
  两种策略：
  Hard Strategy：假设当用户对项目做出决定时，只有一个偏好生效
  soft Strategy：注意力机制融合多个偏好

• 超平面映射
  和TransH思想类似，user-item对看作h，t，用户对item的偏好看作r，用偏好p代替kg中的r.
  
  
  

KTUP: 组合上面两个模型
同时提出加强item embedding，perference embedding

	i' = i + e;
	p' = p + r
	w_p' = w_p + w_r

然后进行超平面映射，得到新的打分函数

问题：知识图谱的补全增强体现在哪里？TransH算法进行知识图谱的补全

记录下：9月7号，学习TransH知识图谱补全
参考：
transH算法实现知识图谱补全实验

TransH认为：TransE算法在处理自反关系，多对一，一对多，多对多关系时，会使不同的实体拥有相同的嵌入（h+r=t,h+r=t’=>t=t’)
提出了超平面，将头实体和尾实体映射到同一个超平面上，dr是两者在超平面上的平移

知识图谱补全：链接预测
通过TransH建模后，得到了每个实体和关系的嵌入向量，利用嵌入向量，可以进行知识图谱的链接预测
将三元组(head,relation,tail)记为(h,r,t)

链接预测分为三类：
头实体预测：(?,r,t)
关系预测：(h,?,t)
尾实体预测：(h,r,?)
但原理很简单，利用向量的可加性即可实现。以(h,r,?)的预测为例：

假设t’=h+r，则在所有的实体中选择与t’距离最近的向量，即为t的的预测值

问题：$w_p^{\prime }$怎么获得

jTransUP.py perference归纳代码

# u_e, i_e : batch * dim or batch * item * dim
def getPreferences(self, u_e, i_e, use_st_gumbel=False):
    # use item and user embedding to compute preference distribution
    # pre_probs: batch * rel, or batch * item * rel
    # p = p+r
    # torch.t转置
    # pre_probs是相似度分数，不清楚为啥/2
    pre_probs = torch.matmul(u_e + i_e, torch.t(self.pref_embeddings.weight + self.rel_embeddings.weight)) / 2
    if use_st_gumbel:
        # ST Gumbel采样，获得一个热矢量
        pre_probs = self.st_gumbel_softmax(pre_probs)

    # 注意力参数和相似度得分成正比
    r_e = torch.matmul(pre_probs, self.pref_embeddings.weight + self.rel_embeddings.weight) / 2
    # norm就是w_p',pref_norm_embeddings像是正则化后的pref_embedding
    norm = torch.matmul(pre_probs, self.pref_norm_embeddings.weight + self.norm_embeddings.weight) / 2

    return pre_probs, r_e, norm

pref_norm_embeddings的初始化

pref_norm_weight = torch.FloatTensor(self.rel_total, self.embedding_size)
nn.init.xavier_uniform(pref_norm_weight)
self.pref_norm_embeddings = nn.Embedding(self.rel_total, self.embedding_size)
self.pref_norm_embeddings.weight = nn.Parameter(pref_norm_weight)
normalize_pref_norm_emb = F.normalize(self.pref_norm_embeddings.weight.data, p=2, dim=1)
self.pref_norm_embeddings.weight.data = normalize_pref_norm_emb

根据norm超平面映射

_, r_e, norm = self.getPreferences(u_e, ie_e, use_st_gumbel=self.use_st_gumbel)

proj_u_e = projection_transH_pytorch(u_e, norm)
proj_i_e = projection_transH_pytorch(ie_e, norm)

def projection_transH_pytorch(original, norm):
    return original - torch.sum(original * norm, dim=len(original.size())-1, keepdim=True) * norm