(1)论文 WWW2019 《Knowledge Graph Convolutional Networks for Recommender Systems》

论文信息

  • 论文名称 :Knowledge Graph Convolutional Networks for Recommender Systems
  • 会议:WWW2019
  • 论文地址:https://dl_acm.xilesou.top/citation.cfm?id=3313417

论文介绍

1.论文所做工作

这篇论文将图神经网络GNN中的图卷积网络GCN模型应用到了知识图谱KG中,并运用到推荐系统中。
本篇论文的创新点:
1.将知识图谱与推荐系统相结合
2.在知识图谱中利用GCN技术来丰富节点信息来进行推荐

  • 为何使用知识图谱
    众所周知,基于传统协同过滤方法的推荐系统利用User与Item之间的交互进行建模,这样通常会面临交互矩阵稀疏与系统冷启动问题。为了解决这些问题通常利用增加User与Item的属性的方法。
    由于各个Item本身就是相互联系的,这些联系通过各个不同的关系连接,这就形成了一个KG。由于KG各个实体之间有非常丰富的语义关联(semantic relatedness),我们就可以利用KG挖掘潜在关联,提高推荐准确性。其次KG的各类关系有利于合理拓展用户兴趣,增加推荐的多样性。最后利用KG可以增强推荐的可解释性。
  • 为何使用图卷积
    通常在知识图谱各节点游走的方法是embedding与meta-paths,但这两种方法都不太适合使用到Item交互的KG中。由于受到了图神经网络GNN中图卷积技术GCN的启发,本篇论文在知识图谱中使用GCN技术对节点进行聚合。

2.KGCN模型

在KGCN中的卷积的作用就是将节点的局部结构信息(邻域)建模为接受域,来丰富节点信息。
因此KGCN的关键思想就是对于给定的KG中的实体,有偏差的聚合其邻居节点信息。而且,我们可以对实体进行分层,通过实体间的多跳操作来建立高阶的实体依赖关系,实现捕获User的潜在的远程兴趣。

  • 如何聚合
    对于给定的用户u与项目i,在KG中找到项目i对应的实体v,但对于实体v的邻居实体,我们聚合时不能一概而论,我们需要去探讨用户是否对这两个实体之间的关系感兴趣,论文利用一个可学习的标量π来表示这种偏爱,
    这个标量表明User对某个关系R的偏好程度。之后利用各个实体的线性组合来表示v的各个邻居实体的聚合
    此时的π是经过归一化操作之后的π
    由于KG中各个实体的邻居节点个数不同,论文将所聚合的邻居节点个数设置为固定值K,大于K的随机挑选,小于K的对节点进行复制操作。
    最后将实体v的邻居与其本身进行聚合,论文中提出了三种聚合函数:
    1.直接相加
    2.合并相加
    3.只使用邻居信息
    聚合之后产生的是实体v的潜在特征表示矩阵。聚合过程可以用下图表示
    对于多层结构h=2
    可以从外到内依次聚合产生最后的结果。
    对于最终聚合之后的结果用
    表示,最后利用
    来产生用户u对项目v的预测。
    更多的模型与算法细节以及实验部分我就不打算在这里仔细介绍了,感兴趣的看看原文

3.写在最后

这是我第一次进行在网上进行论文分享,感觉在写这篇文章时有许多地方讲的不仔细或者说没有考虑到的地方,对于的使用也是有些生疏。总之呢,写这个论文分享的初衷也不是希望很多人来看来学习,更多的还是希望利用这种方式来督促自己,来记录每一次阅读之后的收获与感悟。2019年马上就要过去了,希望自己能够找准方向努力前进,向更优秀的同学学习。加油!

你可能感兴趣的:((1)论文 WWW2019 《Knowledge Graph Convolutional Networks for Recommender Systems》)