Learning over Knowledge-Base Embeddings for Recommendation 论文
Paper-CFKG
中心思想：通过知识表示学习方法来嵌入异质实体来进行推荐。
文章定义了一个 用户-物品知识图 的概念（user-item knowledge graph），借此扩展原来的协同过滤（collaborative filtering）
MODEL：COLLABORATIVE FILTERING WITH KNOWLEDGE-GRAPH
we first define a user-item knowledge-graph structure specialized for recommender systems, then we conduct collaborative filtering on this graph to provide personalized recommendations
我们首先定义一个 用户-物品知识图结构，然后在该图上进行协同过滤。
-
- User-Item Knowledge Graph in Recommender system
定义5种实体：user, item, word, brand, category
6种关系：buy, belong_to_category, belong_to_brand, mention_word（在评论中提到一个word）, also_bought, also_view
-
- Collaborative Filtering based on User-Item Knowledge Graph
Loss Function
St 通过将尾实体替换为随机实体得到的负例
Th 类似方法替换头实体得到的负例
d(·) 度量函数 metric function ，用于测量两个嵌入之间的距离，使用L2-norm
transer 任意的一个平移函数，甚至可以是一个神经网络，文中使用transE的加法方法
在损失函数L中，使用 hinge loss function；模型使用 SGD
-
- Personalized Recommendation
通过生成了所有实体和关系的嵌入，利用 buy 关系的嵌入 ebuy 和目标用户的嵌入 eu，将候选项 ej 进行距离计算
Experiment
使用 Amazon e-commerce dataset
[1]ZHANG Y, AI Q, CHEN X, 等. Learning over Knowledge-Base Embeddings for Recommendation[J]. Algorithms, 2018, 11(9): 137.