知识图谱推荐算法综述

文章目录

- - 推荐系统
  - 知识图谱
  - 图神经网络
  - 基于知识图谱的推荐算法
  - - 基于嵌入的方法
    - 基于路径的方法
    - 混合的方法

知识图谱

知识图谱是一种用于描述实体、概念和它们之间关系的图形化知识表示方式。它是一种基于语义的数据结构，可以用于存储和管理大量的结构化和半结构化数据。

知识图谱的常用数据模型为有向边标记图。其结构由节点和有向且带有标记的边组成。

知识图谱由三元组构成，表示为{(h,r,t)|h,t属于E,r属于R}，h表示头实体，t表示表示尾实体，r表示实体间关系，E是实体集合，R是关系集合

公共知识图谱数据集：Freebase、Wikidata、YAGO、Dbpedia等

知识图谱通常被划分为限定领域的行业知识图谱和无限制领域的一般知识图谱

知识图谱领域重要的一部分是知识图谱嵌入，在嵌入方法中，平移距离的翻译模型是一种常见的方法，包括TransE、TransH、TransR和TransD等。

三元组真实性评估函数，是定义在L1或L2范数约束下，计算h+r和t之间距离来确定。

图神经网络

图神经网络（Graph Neural Network，GNN）是一种深度学习模型，用于处理图数据结构。与传统的神经网络模型不同，图神经网络能够捕捉节点的局部和全局信息，从而提高对图结构的理解和处理能力

图神经网络基础模型主要由传播模块和聚合模块构成。

传播模块是实现节点间交互和特征融合的关键环节，节点间的信息传递与状态更新方式对模型的性能和效果起着至关重要的作用。
聚合模块负责整合邻居节点的信息，常见的聚合方式有均值聚合、求和聚合和最大池化聚合等。
更新器利用聚合得到的信息来更新节点的状态。其工作原理通常基于某种特定的函数或规则，比如线性变换、非线性激活函数等。以线性变换为例，先将聚合的信息与权重矩阵相乘，再加上偏置项，然后经过非线性激活函数（如ReLU函数），从而得到更新后的节点状态。这样的更新过程使得节点能够持续融合邻居的信息，进而更好地捕捉图结构中的特征和模式。
输出模块在图神经网络中负责将节点和边的向量表示转化为最终的预测或输出。

在这里插入图片描述

早期的图神经网络存在着一些限制，难以适应异构和动态变化的图结构。比如，由于传统的卷积滤波器对非欧式结构数据的限制，使其并不能很好地应用于图结构数据中。为了克服这个此问题，研究人员发展出了图卷积神经网络（Graph Convolutional neural Network，GCN）。

GCN通过将图形数据表示为图形邻接矩阵，利用邻接矩阵来提取节点之间的关系，并通过卷积操作来提取节点特征。

图卷积神经网络可以分为基于谱域的图卷积神经网络和基于空域的图卷积神经网络

基于谱域的图卷积神经网络，使用图的拉普拉斯矩阵的特征向量作为基函数，通过对特征向量进行卷积操作得到新的特征向量。
基于空域的图卷积神经网络，将每个节点的邻居节点特征和节点自身特征作为输入，使用一个神经网络进行卷积操作，并将卷积后的特征作为新的节点特征。

图注意力网络（Graph Attention Network，GAT）通过计算节点之间的相似度，将相似度作为权重对节点进行加权，从而实现对节点的聚合

基于知识图谱的推荐算法

根据推荐系统如何结合知识图谱信息的方式，可以分为基于嵌入的方法、基于路径的方法和基于混合的方法。

基于嵌入的方法

直接利用知识图谱的信息来增强物品或者用户的表示

基于嵌入的方法主要包含两个重要模块，知识图谱嵌入模块和推荐模块。

常见的知识图谱嵌入方法有TransE、TransH、TransR和TransD等翻译距离模型。

根据知识图谱嵌入模块和推荐模块的学习顺序，又可以分为依次学习、联合学习和交替学习。

依次学习是指将知识图谱嵌入和推荐模型的学习过程分别进行，先学习知识图谱嵌入模型，再将学习得到的知识图谱嵌入放推荐模型中进行学习。这种方法的优点是可以分别对知识图谱嵌入和推荐模型进行优化，缺点是可能会出现信息流失和误差传递的问题。
联合学习是指将知识图谱嵌入和推荐模型的学习过程合并为一个联合学习过程，同时优化两个模型。这种方法的优点是可以充分利用知识图谱和推荐模型之间的相互关系，缺点是优化过程可能会比较复杂。
交替学习是指将知识图谱嵌入和推荐模型的学习过程交替进行，先优化一个模型，再优化另一个模型，交替进行。这种方法的优点是可以充分利用知识图谱和推荐模型之间的相互关系，同时避免了信息流失和误差传递的问题，缺点是可能会出现局部最优解的问题。

在这里插入图片描述

基于嵌入方法模型的相关研究

CKE模型主要利用知识图谱、文本和图片等辅助信息得到物品的向量表示，最后得到推荐结果。通过使用TransR模型，CKE模型可以将物品的知识图谱信息融入到物品表示中。然后和推荐模块做联合学习训练，最后进行推荐。

DKN模型是一种基于内容的点击率预测模型，主要针对于新闻领域(推荐往往存在时效性问题)使用的推荐模型。DKN用知识感知卷积神经网络（Knowledge-aware Convolutional Neural Network，KCNN）学习句子文体的嵌入，由于用户不同的历史兴趣对当前候选新闻的影响不同，最后加入注意力机制根据用户历史浏览记录添加权重得到用户偏好。但是由于DKN模型是依次进行学习，知识图谱嵌入模块和推荐模块之间独立，无法实现端到端的训练。

MKR模型采用多任务学习法，包括推荐部分和知识图谱嵌入部分，推荐部分学习用户和物品的潜在向量，知识图谱嵌入部分学习相关实体的表示，通过一个交叉压缩单元连接，通过这种方式，可以共享不同任务之间的信息，从而提高模型的泛化能力和效率。

基于路径的方法

挖掘基于图谱用户、物品之间多种连接关系，利用知识图谱中的路径信息来进行推荐的方法。

基于路径的方法的主要挑战在于路径选择的优化问题。在实践中，定义有效的元路径需要领域专业知识，手动设计元路径是非常困难的，所以，基于路径的方法难以在实际中应用。

HeteRec(又称为PER)模型，通过构建多种元路径来描述用户和物品之间的关系，然后使用路径相似性来计算它们之间的相似度得分。得分用来构造用户偏好矩阵，使用矩阵分解来生成个性化的推荐列表。

RKGE模型，使用循环神经网络对用户和物品之间的语义路径进行建模，并学习语义路径的嵌入向量。这些嵌入向量可以被用来表示用户和物品之间的关系，从而进行推荐预测。