RippleNet-Propagating User Preferences on KG for Rec

背景

  1. 传统推荐算法的稀疏性问题和冷启动问题
  2. 知识辅助辅助推荐的两个类别:①基于嵌入的方法,更适合于in-graph applications such as link prediction ②基于路径的方法,使对知识图谱的利用更自然直观,但是需要手动构建路径(很难手工构建出适合情景的meta-paths)

创新点

  1. 是一个端对端模型
  2. 核心思想:偏好传播。对于每个用户,RippleNet将他的历史浏览当做一个知识图谱的种子,不断迭代地沿着与候选项目的关系在知识图谱上扩展,可以看是做一个雨滴打在水面泛起涟漪的过程。
  3. 结合了基于嵌入的方法和基于路径的方法的优势,既利用了KGE的方法,也实现了自动探索路径(是第一个将两种方法结合起来的模型)

模型框架

目的

训练一个评估函数$y_{uv}=F(u,v;\Theta)$,其中$u$是用户,$v$是用户未点击过的项目,$\Theta$是模型参数集合。功能是预测用户点击这个项目的可能性。

-------------本文结束感谢您的阅读-------------