推荐系统与知识图谱
在多数推荐场景中，物品包含了多方面的复杂不同信息，而一般通过网络结构来面熟他们的关系，这就是知识图谱。物品端的知识图谱极大地扩展了物品的信息，强化了物品之间的联系，为推荐提供了丰富的参考价值，更能为推荐结果带来额外的多样性和可解释性(图1)。
图1：利用知识图谱发掘新闻间的潜在相关性
与其他网络知识图谱相比，知识图谱是一种异构的网络，必须要用更加复杂巧妙的推荐算法来准确表达。近年来，网络特征学习(network representation learning)逐渐成为机器学习中的一个热门的研究方向。
将知识图谱引入推荐系统，主要有如两种不同的处理方式：
第一，基于特征的知识图谱辅助推荐，核心是知识图谱特征学习的引入。一般而言，知识图谱是一个由三元组<头节点，关系，尾节点> 组成的异构网络。知识图谱自诞生之日起就带有高维性和异构性，首先使用知识图谱特征学习对其进行处理，从而得到实体和关系的低维稠密向量表示。低维稠密向量可以较为自然地与推荐系统进行结合和交互。
第二，基于结构的推荐模型，则更加直接地使用知识图谱的结构特征。根据利用关联实体的技术的不同，可分向外传播法和向内聚合法两种方法
结合知识图谱推荐系统的机遇与挑战
将推荐算法与知识图谱的图计算方法相结合已逐渐成为学术热点，前景广阔。然而现有方法仍有一定局限，有充分的研究空间。
首先，现有的推荐算法与知识图谱模型大部分属于统计学习模型，都是通过挖掘网络中的统计学信息然后进行推算分析。可以考虑的发展方向是直接在网络中进行推理，将图推理与推荐系统相结合。
其二，如何设计出实际运行效率高效且可靠的算法，也是潜在的研究方向。现有模型仅仅是基础性的数学运算模型，现在在实际中，统筹设计与规划基础架构与算法是一个亟待解决的问题。
最后，现有的静态模型网络结构在真实场景中无法满足必须的时效性。未来研究热点应聚焦于如何完整展现时间演变与时序信息。
作者：连九港 郭泰森
图片来源网络 如有侵权请联系删除
| 留言与评论（共有 0 条评论） |
