本文轉載自公衆號：先知。
【導讀】近來，知識圖譜用於推薦系統是關注的焦點，能夠提升推薦系統的準確性與可解釋性。如何將知識圖譜融入到推薦系統呢? 最近中科院計算所百度微軟等學者最新綜述論文《A Survey on Knowledge Graph-Based Recommender Systems》，闡述對基於知識圖譜的推薦系統進行了系統的研究。
地址：
https://www.zhuanzhi.ai/paper/90d0d696560bc88ea93f629b478a2128
爲了解決各種在線應用中的信息爆炸問題，提高用戶體驗，推薦系統被提出來進行用戶偏好建模。儘管人們已經做出了許多努力來實現更加個性化的推薦，但是推薦系統仍然面臨着一些挑戰，比如數據稀疏性和冷啓動。近年來，以知識圖譜作爲邊信息生成推薦引起了人們的極大興趣。這種方法不僅可以緩解上述問題，提供更準確的推薦，而且可以對推薦的項目進行解釋。本文對基於知識圖譜的推薦系統進行了系統的研究。我們收集了這一領域最近發表的論文，並從兩個角度進行了總結。一方面，我們通過研究論文如何利用知識圖譜進行準確和可解釋的推薦來研究所提出的算法。另一方面，我們介紹了這些工作中使用的數據集。最後，我們提出了幾個可能的研究方向。
概述
隨着互聯網的快速發展，數據量呈指數級增長。由於信息量過大，用戶在衆多的選擇中很難找到自己感興趣的。爲了提高用戶體驗，推薦系統已被應用於音樂推薦[1]、電影推薦[2]、網上購物[3]等場景。
推薦算法是推薦系統的核心要素，主要分爲基於協同過濾(CF)的推薦系統、基於內容的推薦系統和混合推薦系統[4]。基於CF的推薦基於用戶或交互數據項的相似度來建模用戶偏好，而基於內容的推薦利用了物品項的內容特徵。基於CF的推薦系統得到了廣泛的應用，因爲它可以有效地捕獲用戶的偏好，並且可以很容易地在多個場景中實現，而不需要在基於內容的推薦系統[5]、[6]中提取特徵。然而，基於CF的推薦存在數據稀疏性和冷啓動問題[6]。爲了解決這些問題，提出了混合推薦系統來統一交互級相似度和內容級相似度。在這個過程中，我們探索了多種類型的邊信息，如項目屬性[7]、[8]、項目評論[9]、[10]，以及用戶的社交網絡[11]、[12]。
近年來，將知識圖譜(KG)作爲邊信息引入推薦系統引起了研究者的關注。KG是一個異構圖，其中節點作爲實體，邊表示實體之間的關係。可以將項目及其屬性映射到KG中，以瞭解項目[2]之間的相互關係。此外，還可以將用戶和用戶端信息集成到KG中，從而更準確地捕捉用戶與物品之間的關係以及用戶偏好。圖1是一個基於KG的推薦示例，其中電影“Avatar”和“Blood Diamond”被推薦給Bob。此KG包含用戶、電影、演員、導演和類型作爲實體，而交互、歸屬、表演、導演和友誼是實體之間的關係。利用KG，電影與用戶之間存在不同的潛關係，有助於提高推薦的精度。基於知識的推薦系統的另一個優點是推薦結果[14]的可解釋性。在同一個示例中，根據user-item圖中的關係序列可以知道向Bob推薦這兩部電影的原因。例如，推薦《阿凡達》的一個原因是，《阿凡達》與鮑勃之前看過的《星際穿越》屬於同一類型。最近提出了多種KGs，如Freebase[15]、DBpedia[16]、YAGO[17]、谷歌的知識圖譜[18]，方便了KGs的推薦構建。
圖1 一個基於kg的推薦的例子
本次綜述的目的是提供一個全面的文獻綜述利用KGs作爲側信息的推薦系統。在我們的研究過程中，我們發現現有的基於KG的推薦系統以三種方式應用KGs: 基於嵌入的方法、基於路徑的方法和統一的方法。我們詳細說明了這些方法的異同。除了更準確的推薦之外，基於KG的推薦的另一個好處是可解釋性。我們討論了不同的作品如何使用KG來進行可解釋的推薦。此外，根據我們的綜述，我們發現KGs在多個場景中充當了輔助信息，包括電影、書籍、新聞、產品、興趣點(POIs)、音樂和社交平臺的推薦。我們收集最近的作品，根據應用程序對它們進行分類，並收集在這些作品中評估的數據集。
本次綜述的組織如下: 在第二部分，我們介紹了KGs和推薦系統的基礎;在第3節中，我們介紹了本文中使用的符號和概念;在第4節和第5節中，我們分別從方法和評價數據集的角度對基於知識的推薦系統進行了綜述;第六部分提出了該領域的一些潛在研究方向;最後，我們在第7節總結了這次調查。
術語概念
知識圖譜推薦系統方法
Embedding-based方法
基於嵌入的方法通常直接使用來自KG的信息來豐富項目或用戶的表示。爲了利用KG信息，需要使用知識圖嵌入(KGE)算法將KG編碼爲低秩嵌入。KGE算法可分爲兩類[98]:翻譯距離模型，如TransE[99]、TransH[100]、TransR[101]、TransD[102]等;語義匹配模型，如DistMult[103]等。
根據KG中是否包含用戶，可以將基於嵌入的方法分爲兩個類。在第一種方法中，KGs由項目及其相關屬性構成，這些屬性是從數據集或外部知識庫中提取的。我們將這樣的圖命名爲項目圖。注意，用戶不包括在這樣的項目圖中。遵循這一策略的論文利用知識圖嵌入(KGE)算法對圖進行編碼，以更全面地表示項目，然後將項目側信息集成到推薦框架中。其大意可以如下所示。
另一種embedding-based方法直接建立user-item圖,用戶,項目,以及相關屬性函數作爲節點。在用戶-項目圖中，屬性級關係(品牌、類別等)和用戶級關係(共同購買、共同查看等)都是邊。
Path-based Methods
基於路徑的方法構建一個用戶-項目圖，並利用圖中實體的連接模式進行推薦。基於路徑的方法在2013年就已經開發出來了，傳統的論文將這種方法稱爲HIN中的推薦方法。通常，這些模型利用用戶和/或項的連接性相似性來增強推薦。
統一方法
基於嵌入的方法利用KG中用戶/項的語義表示進行推薦，而基於路徑的方法使用語義連接信息，並且兩種方法都只利用圖中信息的一個方面。爲了更好地利用KG中的信息，提出了將實體和關係的語義表示和連通性信息結合起來的統一方法。統一的方法是基於嵌入傳播的思想。這些方法以KG中的連接結構爲指導，對實體表示進行細化。
總結：
基於嵌入的方法使用KGE方法對KG(項目圖或用戶-項目圖)進行預處理，以獲得實體和關係的嵌入，並將其進一步集成到推薦框架中。然而，這種方法忽略了圖中信息的連通性模式，很少有文獻能夠給出有原因的推薦結果。基於路徑的方法利用用戶-項圖，通過預先定義元路徑或自動挖掘連接模式來發現項的路徑級相似性。基於路徑的方法還可以爲用戶提供對結果的解釋。將基於嵌入的方法與基於路徑的方法相結合，充分利用雙方的信息是當前的研究趨勢。此外，統一的方法還具有解釋推薦過程的能力。
代表數據集
未來方向
在以上幾節中，我們從更準確的推薦和可解釋性方面展示了基於知識的推薦系統的優勢。雖然已經提出了許多利用KG作爲側信息進行推薦的新模型，但仍然存在一些改進的機會。在這一部分中，我們概述並討論了一些未來的研究方向。
動態推薦。雖然基於KG的推薦系統在GNN或GCN架構下取得了良好的性能，但是訓練過程是耗時的。因此，這些模型可以看作是靜態的偏好推薦。然而，在某些情況下，如網上購物、新聞推薦、Twitter和論壇，用戶的興趣會很快受到社會事件或朋友的影響。在這種情況下，使用靜態偏好建模的推薦可能不足以理解實時興趣。爲了捕獲動態偏好，利用動態圖網絡可以是一個解決方案。最近，Song等[127]設計了一個動態圖-注意力網絡，通過結合來自朋友的長期和短期興趣來捕捉用戶快速變化的興趣。按照這種方法，很自然地要集成其他類型的側信息，並構建一個KG來進行動態推薦。
多任務學習。基於kg的推薦系統可以看作是圖中鏈接預測。因此，考慮到KG的性質，有可能提高基於圖的推薦的性能。例如，KG中可能存在缺失的事實，從而導致關係或實體的缺失。然而，用戶的偏好可能會被忽略，因爲這些事實是缺失的，這可能會惡化推薦結果。[70]、[95]已經證明了聯合訓練KG完成模塊和推薦模塊以獲得更好的推薦是有效的。其他的工作利用多任務學習，將推薦模塊與KGE task[45]和item relation regulation task聯合訓練[73]。利用從其他kg相關任務(例如實體分類和解析)遷移知識來獲得更好的推薦性能，這是很有趣的。
跨域推薦。最近，關於跨域推薦的研究已經出現。其動機是跨域的交互數據不相等。例如，在Amazon平臺上，圖書評級比其他域更密集。使用遷移學習技術，可以共享來自具有相對豐富數據的源域的交互數據，以便在目標域內進行更好的推薦。Zhang等[128]提出了一種基於矩陣的跨域推薦方法。後來，Zhao等人[129]引入了PPGN，將來自不同領域的用戶和產品放在一個圖中，並利用user item交互圖進行跨領域推薦。雖然PPGN的性能顯著優於SOTA，但是user item圖只包含交互關係，並不考慮用戶和項目之間的其他關係。通過將不同類型的用戶和項目端信息合併到用戶-項目交互圖中，以獲得更好的跨域推薦性能。
知識增強語言表示。爲了提高各種自然語言處理任務的性能，有將外部知識集成到語言表示模型中的趨勢。知識表示和文本表示可以相互細化。例如，Chen等人[130]提出了短文本分類的STCKA，利用來自KGs(如YAGO)的先驗知識，豐富了短文本的語義表徵。Zhang等人[131]提出了ERNIE，該方法融合了Wikidata的知識，增強了語言的表示能力，該方法已被證明在關係分類任務中是有效的。雖然DKN模型[48]既利用了文本嵌入，也利用了新聞中的實體嵌入，但這兩種嵌入方式只是簡單地串聯起來，得到新聞的最終表現形式，而沒有考慮兩個向量之間的信息融合。因此，將知識增強的文本表示策略應用於新聞推薦任務和其他基於文本的推薦任務中，能夠更好地表示學習，從而獲得更準確的推薦結果，是很有前景的。
知識圖譜嵌入方法。基於不同約束條件的KGE方法有兩種:翻譯距離模型和語義匹配模型。在本次綜述中，這兩種類型的KGE方法被用於三種基於KGE的推薦系統和推薦任務中。但是，還沒有全面的工作建議在什麼情況下，包括數據源、推薦場景和模型架構，應該採用特定的KGE方法。因此，另一個研究方向是比較不同KGE方法在不同條件下的優勢。
用戶端信息。目前，大多數基於KG的推薦系統都是通過合併項目側信息來構建圖的，而很少有模型考慮用戶側信息。然而，用戶側信息，如用戶網絡和用戶的人口統計信息，也可以很自然地集成到當前基於KGbased的推薦系統框架中。最近，Fan等人[132]使用GNN分別表示用戶-用戶社交網絡和用戶-項目交互圖，該方法在用戶社交信息方面優於傳統的基於cf的推薦系統。在我們最近的調查[96]中，一篇論文將用戶關係整合到圖表中，並展示了這種策略的有效性。因此，在KG中考慮用戶側信息可能是另一個研究方向。
OpenKG
開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。
點擊閱讀原文，進入 OpenKG 博客。