1.2.1 知识图谱特征学习(Knowledge Graph Embedding) 知识图谱特征学习(Knowledge Graph Embedding)为知识图谱中的每个实体和关系学习得到一个低维向量,同时保持图中原有的结构或语义信息。一般而言,知识图谱特征学习的模型分类两类:基于距离的翻译模型和基于语义的匹配模型。 基于距离的翻译模型(distance-based translational...
这类方法的优点是充分且直观地利用了知识图谱的网络结构,缺点是需要手动设计meta-path或meta-graph,这在实践中难以到达最优;同时,该类方法无法在实体不属于同一个领域的场景(例如新闻推荐)中应用,因为我们无法为这样的场景预定义meta-path或meta-graph。 4.3 知识图谱特征学习Knowledge Graph Embedding 知识图谱特征学习...
首先使用知识图谱特征学习得到实体向量和关系向量,然后将这些低维向量引入推荐系统,学习得到用户向量和物品向量; 联合学习(joint learning)。将知识图谱特征学习和推荐算法的目标函数结合,使用端到端(end-to-end)的方法进行联合学习; 交替学习(alternate learning)。将知识图谱特征学习和推荐算法视为两个分离但又相关的任...
2.1基于图神经网络的推荐方法:图神经网络(GraphNeuralNetwork,简称GNN)是知识图谱表示学习的重要工具。借助GNN,可以将用户、物品和知识图谱中的实体以及它们之间的关系进行表示和嵌入学习,从而更好地理解用户兴趣和内容属性。 2.2基于知识图谱的推荐方法:知识图谱中包含了丰富的实体和关系信息,可以为推荐系统提供更全面的内...
1. 知识图谱特征与推荐系统依次进行学习,即先学习特征,再将所学特征用于推荐。 2. 交替学习法,将知识图谱特征学习和推荐系统视为两个相关的任务,设计一种多任务学习框架,交替优化二者的目标函数,利用知识图谱特征学习任务辅助推荐系统任务的学习。 第二,基于结构的推荐模型,则更加直接地使用知识图谱的结构特征。具体...
MKR的模型框架如下图,其中左侧是推荐系统任务,右侧是知识图谱特征学习任务。推荐部分的输入是用户和物品的特征表示,点击率的预估值作为输出。知识图谱特征学习部分使用的是三元组的头节点和关系作为输入,预测的尾节点作为输出: 由于推荐系统中的物品和知识图谱中的实体存在重合,所以两个任务并非相互独立。所以作者在两个...
在上一篇中我们介绍了Deep Knowledge-aware Network(DKN),在DKN中,我们需要首先学习到entity的向量和relation的向量,但是学习到的向量,其目的是为了还原知识图谱中的三元组关系,而并非是为了我们的推荐任务而学习的。因此今天我们来介绍一下知识图谱和推荐系统进行联合训练的一种网络结构:RippleNet。
将知识图谱作为辅助信息引入到推荐系统中可以有效地解决传统推荐系统存在的稀疏性和冷启动问题,近几年有很多研究人员在做相关的工作。目前,将知识图谱特征学习应用到推荐系统中主要通过三种方式——依次学习、联合学习、以及交替学习。 依次学习(one-by-one learning)。首先使用知识图谱特... 查看原文...
最近几年来,伴随着教育信息化、个性化教育和K12之类的新观念提出,一如既往的教育方法向信息化智能化的转变,学生群体都对这种不受时间和地点约束的学习方式有浓厚的兴趣。而现在市面上存在的推荐系统给学生推荐资料时不符合学生个人对知识获取的需求情况,以至于推荐效果差
©PaperWeekly 原创 · 作者 | 杨雨豪 单位 | 香港大学 研究方向 | 推荐系统1. 研究背景知识图谱(Knowledge Graphs,KGs)通常包含丰富的实体语义关联,在推荐系统中已被广泛地用作提高用户表征学习质量,以及提…