Multi-modal Knowledge Graphs for Recommender Systems论文解读
美团2020年发表的《Multi-modal Knowledge Graphs for Recommender Systems》
https://zheng-kai.com/paper/cikm_2020_sun.pdf
1 背景
知识图通过引用各种有效的辅助数据用于推荐系统,有效的解决了推荐系统的冷启动和数据稀疏性问题。
但是一般的知识图没有考虑多模态信息的作用,比如商品的图片评论信息。多模态知识图(MKG)将视觉或文本信息引入知识图,将图像或文本视为实体或实体的属性,如下图。
基于知识图的表示学习在推荐中有着关键作用,通常用来学习实体信息的嵌入。多模态知识图中,通常有两种方法
基于特征的多模态图
将多模态信息作为实体的一个辅助特征,通过视觉表征模型对视觉信息进行提取,视觉表征可以从与知识图谱实体相关的图像中提取。在这些方法中,三元组的得分是根据知识图谱的结构以及实体的视觉表征来定义的,这意味着每个实体必须包含图像属性。这对知识图谱的数据源提出了相对的要求,因为它要求知识图谱中的每个实体都有多模态的信息。
然而,在真实场景中,一些实体并不包含多模态信息。所以这种方法不能被广泛使用。
基于实体的多模态图
将多模态信息视为结构化知识的关系三要素,而不是预先确定的辅助特征。然后使用基于CNN的KGE方法来训练知识图谱的嵌入。然而,现有的基于实体的方法独立处理每个三元组,忽略了多模态信息的融合。虽然解决了基于特征的方法中对MKGs数据源的高要求问题,但它只关注实体之间的推理关系,而忽略了多模态信息的融合。
事实上,多模态信息通常是作为一种辅助信息来充实其他实体的信息。因此,我们需要一种直接的互动方式,在对实体之间的推理关系进行建模之前,将多模态信息明确地融合到其相应的实体中。
2 基于知识图的推荐模型
对于一个知识图,每个实体都是由三元组关系组成。三元组:<主体,关系,客体>
基于知识图结构的推荐,主要分为三类,
基于嵌入的方法
首先嵌入算法对知识图谱进行预处理,然后在推荐框架中使用学到的实体嵌入,将各种类型的侧面信息统一到推荐框架中。
基于路径的方法
基于路径的方法[33, 36]探索知识图谱中实体之间的各种连接模式,为推荐系统提供额外的信息。例如,关于知识图谱作为一个异质信息网络(HIN),个性化实体推荐(PER)[33]和基于元段的推荐[36]提取元段/元段的潜在特征来表示用户和项目之间沿着不同类型的关系路径/图谱的连接。
基于路径的方法以一种更自然、更直观的方式利用知识图谱,但它们在很大程度上依赖于手工设计的元路径,这在实践中很难被优化。另一个问题是,在某些实体和关系不属于一个领域的情况下,不可能设计出手工制作的元路径。
基于融合的方法
基于嵌入的方法利用KG中实体的语义表示进行推荐,而基于路径的方法则利用KG中实体之间的连接模式。这两种方法都只利用了KGs中的一个方面的信息。为了充分地利用KGs中的信息进行更好的推荐,人们提出了统一的方法,它整合了实体和关系的语义表示。
以上基于知识图谱的推荐,虽然引入了图结构的各种辅助信息,但是在多模态数据的建模上有所缺陷。
3 多模态知识图的推荐
3.1 任务描述
输入:协同知识图谱,包括用户-物品交互图和多模态知识图
输出:用户对物品的预测概率
3.2 Multi-modal Knowledge Graph Attention Network (MKGAT)
模型的基础模块
1. 多模态知识图谱实体编码器
对不同的数据类型,使用不同的编码器进行嵌入。本质上,为所有实体提供一个嵌入。
- 结构化数据
对于主体,关系,客体表示为独立的嵌入向量。 - 图像数据
使用resnet50的最后一个隐含层数据作为嵌入表征 - 文本数据
使用word2vec作为训练词向量,应用平滑反频率(SIF)模型[1]来获得一个句子的词向量的加权平均值,作为句子向量来表示文本特征。
最后,使用密集层将实体的所有模态统一到同一维度,
2. 多模态知识图注意力层
通过注意力机制将每个实体的邻居实体信息汇总到自身,得到加权后的实体嵌入。
下图的MKGs注意层,它沿着高阶连接性递归传播嵌入[10]。此外,通过利用图注意网络(GATs)的思想[22],我们产生了级联传播的注意力权重,以揭示这种连接的重要性。尽管GATs很成功,但它们并不适合于KGs,因为它们忽略了KGs的关系。因此,我们修改了GATs以考虑到KGs的嵌入关系。
对于一个单层模型,由传播层和聚合层构成。
传播层:
对于候选实体h,在学习嵌入过程中,考虑两方面,第一是根据transE模型学习实体三元组的结构化表示,然后对于实体的多模态邻居信息,汇总到实体上,得到实体聚合邻居实体信息的表征向量e_agg.
(前者是后者的注意力得分)
对于三元组结构嵌入,使用<h,r,t>的嵌入进行线性变化得到:
对于三元组的注意力得分,通过leakyRelu函数和softmax函数求解。
聚合层(Aggregation Layer)
对实体信息和邻居的聚合信息的在聚合,得到新的实体嵌入。
可以通过两种方法:
(1) 加和
(2)串联聚合
高阶传播
通过堆叠更多的传播和聚合层,我们探索了协作知识图谱中固有的高阶连接性。
一般来说,对于一个n层模型,传入的信息是在一个n-hop的邻居上积累的。
3. 多模态知识图嵌入模块
嵌入模块利用多模态知识图谱(MKGs)实体编码器和MKGs注意层为每个实体学习新的实体表示。
新的实体表征聚合了其邻居的信息,同时保留了关于自身的信息。然后,新的实体表示可以用来学习知识图谱嵌入,以表示知识推理关系。
4. 推荐模块
得到每一个实体的嵌入信息后,输入到推荐模块。
为了保留1-n hop的信息,保存了候选用户和项目的输出信息,不同层的输出表达着不同层的hop信息。通过串联拼接这些表达:
最后通过内积,得到用户和项目的预测得分:
进一步,通过贝叶斯个性化排名BPR损失函数来优化目标函数
总上,得到MKGAT的模型结构
4 实验
在Movielens数据集和dainping数据集上:
Multi-modal Knowledge Graphs for Recommender Systems论文解读相关推荐
- 【论文阅读笔记】Multi-modal Knowledge Graphs for Recommender Systems
Multi-modal Knowledge Graphs for Recommender Systems 1.背景 现有的推荐系统主要分为两种方法,基于内容和协同过滤. 基于内容的方法是针对user- ...
- Data Poisoning Attacks to Deep Learning Based Recommender Systems论文解读
1 摘要 在这项工作中,作者对基于深度学习的推荐系统的数据中毒攻击进行了首次系统研究.攻击者的目标是操纵推荐系统,以便向许多用户推荐攻击者选择的目标项目.为了实现这一目标,作者将精心设计的评分注入到推 ...
- Membership Inference Attacks Against Recommender Systems论文解读
0 摘要 推荐系统通常针对高度敏感的用户数据进行训练,因此推荐系统潜在的数据泄露可能会导致严重的隐私问题. 本文首次尝试通过成员推理的角度来量化推荐系统的隐私泄漏. 与针对机器学习分类器的传统成员推理 ...
- RippleNet:Propagating User Preferences on the KnowLedge Graph for Recommender Systems PPT讲稿
PPT下载链接:RippleNet 没有c币的小伙伴可以用下面的百度盘下载 链接: https://pan.baidu.com/s/1aOL7lZfaw34eE_RU7GM2lA 密码: w0hm 如 ...
- Google推荐系统Wide Deep Learning for Recommender Systems论文翻译解读
Wide & Deep Learning for Recommender Systems 推荐系统中的Wide & Deep Learning 摘要 Generalized linea ...
- 5.Wide Deep Learning for Recommender Systems论文详细解读和代码实现
一.总述 Wide & Deep作为一篇推荐领域的经典论文,不仅具有很高的研读价值,而且在推荐和广告领域得到了极大的推广和应用.该论文的思想归结起来就是两个词:Wide & Deep. ...
- [论文阅读笔记17]A Survey on Knowledge Graph-Based Recommender Systems
一,题目 TKDE 2020 A Survey on Knowledge Graph-Based Recommender Systems 综述:基于知识图谱的推荐系统 In IEEE Transact ...
- 知识图谱论文阅读(十五)【arxiv】A Survey on Knowledge Graph-Based Recommender Systems
论文题目: A Survey on Knowledge Graph-Based Recommender Systems 论文链接: 论文代码: 想法 出现Refine就是用某些方法更好的优化特征表示 ...
- 2022_AAAI_Meta-Learning for Online Update of Recommender Systems
[论文阅读笔记]2022_AAAI_Meta-Learning for Online Update of Recommender Systems 论文下载地址: chrome-extension:// ...
- Directional Adversarial Training for Recommender Systems
Directional Adversarial Training for Recommender Systems 论文理解与翻译: 1.摘要: (话题方向切人,他人最近的有关成果,再次基础上他人成果的 ...
最新文章
- oracle停止一切进程,oracle启动/停止的几种方法以及 启动和停止过程中出错的解决办法...
- 几个阿里, 美团,腾讯大佬的公众号!超级变态!
- hive插入表的insert 执行计划_0651-6.2.0-启用Sentry后Impala执行SQL失败问题分析
- android使用桢布局,Android性能优化UI篇
- oracle 11gR2 RAC 安装
- 【Lucene4.8教程之中的一个】使用Lucene4.8进行索引及搜索的基本操作
- 【数字逻辑设计】毛刺
- ghost后自动修改IP和计算机名的VBS脚本
- matlab在伪随机码,MATLAB在伪随机码的生成及仿真中的应用
- 高中计算机课程事例,【高中信息技术教学案例】_《高中信息技术新课程教学案例集》介绍...
- html页面 js注释,html、css和js注释的规范用法
- 数据结构实验一,第10题:基于顺序存储结构的图书信息表的图书去重
- IOS7.1.2越狱手工美化(字体,状态栏等资源) CSDN
- 埃隆 · 马斯克、山姆 · 奥特曼和 OpenAI 的秘史
- (int)类型和(int )类型的区别
- 【计算机程序设计基础】数据结构概论
- PHP获取客户端真实IP的方法
- pom.xml中解决Provides transitive vulnerable dependency maven:org.yaml:snakeyaml:1.33警告
- Python 字典
- ios------app跳转到appStore评分
热门文章
- springboot kafka集成
- 每天一个linux命令(26):用SecureCRT来上传和下载文件(转载自竹子)
- Tensorflow1.7+cuda9.0+cudnn7.0中的各种意(da)外(keng)
- ROS编译依赖配置问题记录
- AIROBOT系统 之 私人存储 和 DLNA 智能电视云
- jQuery动画slideUp()不正常位移原因
- esp8266基本使用 - GET|POST
- 让同事主动配合工作的三点技巧|智测优聘总结
- 大战略游戏:统治者:罗马 for Mac
- 论文《Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation ...》阅读