Sistema de recomendación basado en el espectro de conocimientos
(1) Escasez de datos: en escenarios de aplicaciones reales, la información de interacción La relación entre usuarios y elementos suele ser muy escasa. Por ejemplo, una aplicación de películas puede contener decenas de miles de películas, pero un usuario promedio puede tener solo docenas de películas. El uso de una cantidad tan pequeña de datos de observación para predecir una gran cantidad de información desconocida aumentará en gran medida el riesgo de sobreajuste del algoritmo;
(2) Problema de inicio en frío: para usuarios o elementos recién agregados, ya que el El sistema no tiene información de interacción histórica, no se puede modelar ni recomendar con precisión.
En términos generales, la forma de resolver la escasez y el arranque en frío es introducir información auxiliar adicional como entrada en el algoritmo de recomendación. Esta información auxiliar puede enriquecer la descripción de usuarios y elementos, compensando así eficazmente la información interactiva escasa o insuficiente. Entre diversas informaciones auxiliares, los mapas de conocimiento, como un nuevo tipo de información auxiliar, han recibido mucha investigación en los últimos años.
Un mapa de conocimiento es una red semántica en la que los nodos representan entidades y los bordes representan diversas relaciones semánticas entre entidades. El gráfico de conocimiento consta de varios tripletes, donde la suma representa el nodo principal y el nodo final de una relación y la relación entre nodos.
Los mapas de conocimiento contienen ricas asociaciones semánticas entre entidades, lo que proporciona fuentes potenciales de información auxiliar para los sistemas de recomendación. Los gráficos de conocimiento tienen aplicaciones potenciales en muchos escenarios de recomendación, como películas, noticias, atracciones, restaurantes, compras, etc. En comparación con otros tipos de información auxiliar, la introducción del gráfico de conocimiento puede hacer que los resultados de la recomendación tengan las siguientes características:
(1) Precisión
El gráfico de conocimiento introduce más semántica en el artículo Relaciones Puede descubrir profundamente los intereses de los usuarios. Por ejemplo, como se muestra en la imagen a continuación, al usuario le gusta "Farewell My Concubine" protagonizada por Leslie Cheung, y Leslie Cheung acaba de protagonizar "Days of Being Wild", por lo que al usuario también le puede gustar la película "Days of Being Wild". .
Según las diferentes formas de utilizar la información de KG, los métodos para combinar mapas de conocimiento y sistemas de recomendación se pueden dividir en tres categorías: métodos basados en incrustaciones, métodos basados en rutas y métodos unificados.
1. Métodos integrados
Los métodos integrados suelen utilizar directamente información de KG para enriquecer la representación de elementos o usuarios. Para utilizar la información del gráfico de conocimiento, es necesario adoptar el algoritmo de incrustación de gráfico de conocimiento (KGE) para codificar el gráfico de conocimiento en una incrustación de bajo rango. Dependiendo de si el usuario está incluido en el KG, los métodos basados en incrustación se pueden dividir en dos categorías: gráfico de elementos y gráfico de elementos de usuario.
(1) Basado en el gráfico del proyecto
Este gráfico consta de proyectos y sus atributos relacionados extraídos del conjunto de datos o de la base de conocimiento externa, y no contiene información del usuario. Este método utiliza el algoritmo Knowledge Graph Embedding (KGE) para codificar el gráfico, lo que puede obtener una representación más completa del elemento y luego integra la información secundaria del elemento en el marco de recomendación. Específicamente, el vector latente de un elemento se puede obtener a través de diversa información, incluido KG, matriz de interacción usuario-elemento, contenido del elemento, atributos del elemento, etc. Luego, la función de puntuación de preferencia se utiliza para calcular la probabilidad de que el usuario seleccione el elemento a través de los vectores latentes obtenidos de usuarios y elementos, y la clasificación de preferencia del usuario se obtiene en función del resultado de probabilidad.
(2) Basado en el gráfico de elemento de usuario
En este gráfico, los usuarios, los elementos y sus atributos relacionados actúan como nodos; ) y Relaciones relacionadas con el usuario (* * * con compra, * * con vista, etc.) como aristas. Este método puede obtener incrustaciones de entidades del gráfico construido y luego obtener los resultados de acuerdo con la función de puntuación de preferencia. A diferencia de los gráficos basados en elementos, esta función de puntuación de preferencia se puede calcular incorporando relaciones.
El método basado en incrustación incluye principalmente dos módulos: el módulo de incrustación de gráficos, que utiliza principalmente el método de incrustación de gráficos para aprender la representación de entidades y relaciones en el gráfico de conocimiento, y el módulo de recomendación que modela la del usuario; preferencias por artículos. Según la combinación de estos dos módulos, el trabajo en esta dirección se puede dividir en tres categorías: aprendizaje secuencial, aprendizaje conjunto y aprendizaje alterno.
(1) Aprendizaje secuencial
Este método primero obtiene vectores de entidad y vectores de relación aprendiendo las características del gráfico de conocimiento y luego introduce estos vectores de baja dimensión en el sistema de recomendación para aprender los vectores de usuario. y vectores de elementos.
Actualmente, el sistema de recomendación basado en gráficos de conocimiento aún se encuentra en la etapa de aprendizaje primario y los modelos específicos de varios métodos no se comprenden bien.
Leí un artículo hace unos días sobre la combinación de gráficos de conocimiento de He Xiangnan. Debería ser mejor entre los sistemas de recomendación actuales basados en gráficos de conocimiento. Este documento adopta una estrategia de aprendizaje de múltiples tareas y tiene en cuenta el hecho de que puede faltar KG, y capacita conjuntamente el módulo de finalización y el módulo de recomendación. Según el conocimiento actual, los sistemas de recomendación basados en mapas de conocimiento tienen buenas perspectivas de investigación en recomendación dinámica, aprendizaje multitarea, recomendación entre dominios, etc.
blogs.com/niuxichuan/p/9317711.html
Una revisión de los sistemas de recomendación basados en gráficos de conocimiento