【论文笔记和代码梳理】RippleNet：基于知识图谱的用户偏好传播

【导读】这个是CIKM2018的论文，论文提出了一种RippleNet结构，是一个能够把知识图谱(KG)自然地融入推荐系统(RS)的一个端到端的框架。类似于水面上的波纹一圈又一圈的向外扩展一样，RippleNet可以在以三元组(实体，关系，实体)构成的知识图谱(KG)上沿着实体与实体之间的联系去寻找user潜在的喜好，好比水波一圈又一圈的扩散，逐步迭代寻找最有可能click的item.

   

输入：user-item pairs

输出：user点击item的概率

动机

尽管collaborative filtering(CF) 算法已经在解决这个问题上取得了很大的成功，但是它本身依旧存在交互矩阵稀疏性和冷启动的问题。而加入一些辅助信息可以有效的解决这个问题。在各种类型的辅助信息中。KG在实体方面具有得天独厚的优势：

1. KG可以提供相关实体间的语义关系，通过发掘这层联系有助于提升推荐的items的精度。

2. KG由各种类型的关系组成，有助于探寻user的深层次兴趣点和增加推荐项目的选择性。

3. KG把user的历史记录和推荐结果联系到一起，使得个性化推荐有了explainability.

KG-aware recommendation

1. embedding-basedmethods:用KGE(knowledge graph embedding)对KG预处理，并把学习学习到的entity embedding结合到推荐系统框架中。以Deep Knowledge-aware Network(DKN)为例，DKN把实体embedding和word embedding当做不同的通道，然后设计一个CNN网络把他们结合到一起用于新闻推荐。

2. path-basedmethods:通过在KG中探索实体之间各种不同的联系来为推荐提供额外的指导。缺点主要是(1)严重依赖手动设计meta-paths,而这在实际当中很难去优化。(2)在一些实体和关系不在同一个域中的场景不可能去手动设计meta-paths。

3. 基于二者的局限性提出了RippleNet。(1)RippleNet通过perference propagation把KGE方法用到了推荐中。(2).RippleNet可以根据user的历史点击记录自动寻找候选item的path,不用手动设置。

RippleNet框架

1.Framework

对于RippleNet:给定交互矩阵Y和知识图谱G，目标是学习一个预测函数F来预测用户u对项目v的点击概率，其中Θ为F的参数：

参数表示：

user:U = {u1,u2,u3.....}

item:V = {v1,v2,v3......}

user-item交互矩阵Y = {yuv|u∈U,v∈V}，

 

知识图谱G用三元组表示：（h,r,t),其中h,t∈E,r∈R。E是图谱中的实体，即entity,R为图谱中的关系，即relation.给定交互矩阵和知识图谱，用户user的k-hop相关实体集定义为：

2.Ripple Set

在Ripple set中随着hop数量的增加，每一轮hop中user的潜在爱好的权重也会随之减小。

3.PreferencePropagation

损失函数

---

损失函数分为三部分：

第一部分

是交互矩阵Y(隐式反馈矩阵)和RippleNet预测结果之间的交叉熵。

第二部分表示学习到的特征向量多大程度上可以代表原来知识图谱KG的结构。

第三部分用来防止过拟合的正则项

数据集处理

实验结果

---

RippleNet基于三种数据集进行评测，分别是movie,book,news recommendation

Baselines :

    CKE: 表现差于其他baselines

    SHINE:在movie和book数据集上的表现好于在news数据集

    DKN：在新闻推荐中的表现好于movie和book

    PER: 在movie和book推荐中差强人意

    LibFM和Wide&Deep：因为在算法中充分利用了KG，表现可以

    RippleNet:在三种数据集上表现最佳

从图4可知，当Ripple set的大小为32时，Movie推荐的AUC表现最好

             当Ripple set的大小为16时，Book推荐的AUC表现最好

             当Ripple set的大小为32时  news推荐的AUC表现最好

从图5可知，当hop number为2时，Movie推荐的AUC表现最好

             当hop number为3时，Book推荐的AUC表现最好

             当hop number为3时，News推荐的AUC表现最好

部分代码解析

原文链接：

https://arxiv.org/abs/1803.03467

代码链接：

https://github.com/hwwang55/RippleNet

-END-

专 · 知

专知《深度学习:算法到实战》课程全部完成！520+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

请加专知小助手微信（扫一扫如下二维码添加），加入专知人工智能主题群，咨询《深度学习:算法到实战》课程，咨询技术商务合作~

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程