Jointly Learning Explainable Rules for Recommendation with Knowledge Graph
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph
ABSTRACT
构建推荐系统的两个关键层面
- 可解释性
- 有效性
与先前提出做推荐的方法比较
基于神经网络嵌入方法
缺点：大多数无法给出可解释的推荐结果
基于图形的方法
eg.基于元路径的模型。需要人工干预和领域知识定义模式和规则，而且忽略了项目关联类型
提出一种新的联合学习框架目的
将知识图中可解释规则的归纳与规则引导神经推荐模型的构建相结合。
该框架鼓励两个模块相互补充，以产生有效和可解释的推荐。
通过将项目名称链接到相关实体生成的知识图谱，新提出的模型产生很好的效果。
INTRODUCTION
推荐系统具有可解释性的好处
提高推荐系统的有效性，效率，说服力，透明度和用户满意度
具有可解释性的两种推荐算法
基于用户的推荐算法
受数据稀疏性的困扰，如果用户缺少社交信息，就很难给出明确的推荐理由。
基于评论的推荐算法
受数据稀疏性的困扰，如果商品缺少用户评论，很难给出明确的推荐理由。
利用知识图谱提高推荐效果的两种方法
基于路径的方法
需要人工干预和领域知识定义模式和规则定义特征提取的路径和模式。忽略了项目之间的联系。
基于嵌入的方法
推荐的结果是不可解释的。忽略了项目之间的联系。
重点：项目之间的联系能被用于给出精确和可解释的推荐。
将项目映射到知识图中，项目之间将有多跳关系路径。我们可以从预测两个项目之间的关联关系中总结出可解释的规则。这种规则有助于推荐。
一种新的联合学习框架
可以给出精确和可解释的推荐
规则学习模型
利用知识图谱从规则学习模块中的项目关
联中得出可解释的规则推荐模型
推荐模块将现有的推荐模型与简化后的规则结合在起，从而具有更好的能力来处理冷启动问题并给出可解释的推荐
KG
本文的知识图谱是通过将项目链接到
实际知识图而构造的，而不是仅由项目及其属性组成的
异构图
主要贡献
我们利用大型知识图从项目关联中得出项目之间的规则。
我们提出了一个联合优化框架，该框架可以从知识图中导出规则，并同时根据规则推荐项目。
我们对现实世界的数据集进行了广泛的实验。实验结果证明了我们框架在准确和可解释的推荐中的有效性
PRELIMINARIES
知识图谱的归纳规则
知识图中的两个实体之间存在多个路径，并且路径由具有关系类型的实体组成（例如 Pk= E1r1E2r2E3 是 E1 和 E3 之间的路径）。规则 R 由两个实体之间的关系序列决定，例如 R = r1r2 是一条规则。路径和
规则之间的区别在于规则专注于关系类型，而不是实体。
研究重点
知识图中的联合学习规则以及带有规则的推荐系统。
推荐的基本模型
本文提出的框架可以应用于不同的推荐算法。由于 BPRMF 是广泛使用的经典矩阵分解算法，而 NCF 是基于最新神经网络的推荐算法，选择修改它们以验证我们框架的有效性。
- Bayesian Personalized Ranking Matrix Factorization (BPRMF)
- Neural Collaborative Filtering (NCF)
THE RULEREC FRAMEWORK
框架概述
框架由规则学习模块和推荐模块两个模块组成
目标函数：
该框架是灵活的，可用于增强不同的推荐算法-
异构图构建
构建一个包含项目和知识图的异构图。
对于某些项目，我们可以在项目和知识图谱的实体之间进行精确映射。
对于其它项目，我们不能在项目和知识图谱的实体之间进行精确映射。采用实体链接算法可以在项目和知识图谱的实体之间进行映射规则学习模块
规则学习模块通过推理规则与知识图谱里面的项目联系得到有用的规则。基于规则，我们可以生成一个项对特征向量，其每个条目都是每个规则的编码值（相当于图中权重w）。
推荐模块
推荐模块以项目对特征向量作为附加输入，以提高推荐性能，并对推荐进行解释。我们引入了一个共享规则权重向量w表示每个规则在预测用户偏好方面的重要性，并显示了每个规则在预测项对关联方面的有效性。
我们提出了一个通用的推荐模块，可以与现有的方法相结合。该模块利用导出的规则特征来提高推荐性能。规则选择
选择规则里面最有用的规则
硬选择方法
- Chi-square method.
- Learning based method
选选择方法
multi-task learning method
多任务学习组合方法能够共同进行规则选择和推荐模型学习
RULE SELECTION DETAILS
本节介绍Rule Rec中规则选择组件的实现细节和结果
数据集
项目关联数据集
Cellphone and Electronics
项目关联数据集的四种类型
- ALV
- BLV
- ALB
- BT
知识图谱数据集
- Freebase
做推荐的数据集
- Cellphone
- Electronic
RELATED WORK
Combine Side-information for the Recommendation.
- 基于路径的方法
- 基于嵌入的方法
Rule Learning in the Knowledge Graph
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph相关推荐
- Learning Entity and Relation Embeddings for Knowledge Graph Completion (TransR)论文翻译
整理转自:fffnull 的 CSDN 博客,感谢他的翻译分享 论文原文地址:Learning Entity and Relation Embeddings for Knowledge Graph C ...
- cs224w（图机器学习）2021冬季课程学习笔记12 Knowledge Graph Embeddings
诸神缄默不语-个人CSDN博文目录 cs224w(图机器学习)2021冬季课程学习笔记集合 文章目录 1. Heterogeneous Graphs and Relational GCN (RGCN) ...
- Knowledge Graph表示学习--TransE系列
知识图谱(Knowledge Graph or KG),如: Free Base.DBpedia.YAGO.NELL等已经成功地应用到语义分析.信息抽取.问答系统等方面.知识图谱是由实体(entity ...
- Unifying Task-oriented Knowledge Graph Learning and Recommendation
Unifying Task-oriented Knowledge Graph Learning and Recommendation ABSTRACT 背景 将知识图纳入推荐系统(知识感知推荐),以辅 ...
- 【论文阅读】Unifying Knowledge Graph Learning and Recommendation
Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Prefere ...
- 知识图谱与推荐系统之《Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation》MKR
依次训练的方法主要有:Deep Knowledge-aware Network(DKN) 联合训练的方法主要有:Ripple Network 交替训练主要采用multi-task的思路,主要方法有:M ...
- 论文阅读笔记（1）：Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation
Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation 原文链接:https://arxiv.org/pdf/1 ...
- 【kg推荐-＞精读】Learning Intents behind Interactions with Knowledge Graph for Recommendation
KGIN Learning Intents behind Interactions with Knowledge Graph for Recommendation Abstract 基于GNN的端到端 ...
- （二十七）【2021 WWW】Learning Intents behind Interactions with Knowledge Graph for Recommendation
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OpZWgm7T-1634540652258)(C:\Users\小轩\AppData\Roaming\Typora\ty ...
- 知识图谱论文阅读（十三）【2020 arXiv】Attentive Knowledge Graph Embedding for Personalized Recommendation
题目: Attentive Knowledge Graph Embedding for Personalized Recommendation 论文链接: 代码链接: 知识图谱特征学习在推荐系统中的应 ...
最新文章
- spring boot socket长连接_springboot 整合阿里 druid 数据库连接池实战
- .net core实践系列之短信服务-架构设计
- 线程同步-事件内核对象
- 简单好用的 Linux/Windows 面板
- jQuery实现checkbox的全选反选方法
- easyuI企业管理系统－实战二 表格引入json数据
- My project
- java秒抢商品_Java秒杀系统实战系列~待秒杀商品列表与详情功能开发
- MATLAB中dsolve与syms
- 橙子君正在维护服务器,橙子VR常见问题有哪些 橙子VR常见问题答案汇总
- android自定义View之气球碰撞效果
- 个人永久性免费-Excel催化剂功能第29波-追加中国特色的中文相关自定义函数
- 敏捷实践 | 分不清Kanban和看板的人只剩你了
- 【Photoshop技巧】两步将黑色图片改变颜色
- 电脑桌面壁纸更换后不一会就变成黑屏
- 群晖NAS下docker安装MySql
- Java实现 蓝桥杯VIP 算法提高 洗牌
- Apache NiFi 典型案例
- Wxwidget 动态加载资源文件
- js书写位置，语法，数据类型，变量，输出，输入，类型转换