RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems简析

RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems

介绍

为了解决基于embedding和基于路径的方法的限制，作者生成了RippleNet.正如涟漪一样，利用用户曾经的点击记录，不断外扩发掘用户可能的兴趣点。

###问题生成

我们有用户与items的交互，以及包含大量实体与关系的三元组的知识图谱，进而预测用户会点击接下来那个item

框架

其实总体就是首先计算item embedding与one hop的实体的相似度，输入softmax，而后加权求和尾部得到对应的embedding，而后继续上述操作，得到H个hop的embedding的求和与对应的item embedding计算，得出预测概率。

定义

首先我们理解两个定义：

偏好的传播

分别利用1-hop的实体与关系与item embedding计算，得到不同的权重

后利用权重加权求和对应t得到向量表示。

重复上述操作H次，并求和如下：

后经过sigmoid函数得到得分。

损失函数

给定知识图谱G与用户的交互矩阵Y，我们希望最大化后验概率：

后验概率展开如下：

对于第一项，我们设为具有零均值和对角协方差矩阵的高斯分布：

第二项：

第三项即我们常用的二分类似然函数：

连乘这三项并求log可得：