【都灵理工大学博士论文】《基于知识图谱嵌入的推荐系统》

2022 年 8 月 28 日 专知

推荐系统在网络上无处不在，通过提供用户可能喜欢的物品的个性化建议来提高用户的满意度和体验。在过去的几年中，知识感知推荐系统已经显示出能够产生高质量的推荐，结合了基于内容和协作过滤的优点。利用知识图谱来生成物品推荐的关键点是能够为推荐问题定义有效的特征。知识图谱嵌入学习了从知识图谱到特征空间的映射，解决了一个优化问题，最大限度地减少了特征工程的耗时工作，导致了更高质量的特征。因此，本论文的主要目的是研究知识图谱嵌入在推荐系统中的应用。在这篇论文中，我们介绍了entity2rec，它通过特定属性的知识图嵌入来学习用户物品的关联性以进行物品推荐。entity2rec已经与我们应用于推荐问题的一套现有知识图嵌入算法（翻译模型、node2vec）以及三个标准数据集上流行的协同过滤算法进行了基准测试。entity2rec已被证明能够生成准确的、非显而易见的推荐，实现了较高的准确性、偶然性和新颖性，并且在数据集稀疏且流行度低的情况下尤为有效。此外，entity2rec基于对知识图谱语义进行编码的推荐模型，因此可以针对特定的推荐问题进行解释和配置。entity2rec还通过一个名为TinderBook的网络应用程序在冷启动场景下对真实的新用户进行了测试。TinderBook是一个网络应用，它利用基于entity2rec的项目-项目关联度测量，向用户推荐他们喜欢的单一书籍。

除了定义有效的特征外，知识感知推荐系统质量的一个关键因素是知识图谱本身的质量。通常情况下，当从一组异质数据源中构建知识图谱时，重复的数据是数据中的一个主要噪音来源。因此，论文的第二部分涉及到知识图谱生成过程中的实体匹配问题。在这篇论文中，我们介绍了 "STEM：基于叠加阈值的实体匹配"。STEM是一个机器学习层，可以 "堆叠 "在现有的基于阈值的分类器上，以提高实体匹配任务的精度和召回率。STEM已经在来自不同领域（金融、音乐）的三个数据集上使用两个不同的基于阈值的分类器（线性和Naive Bayes）进行了测试，大大改善了实体匹配的质量。STEM还被应用于欧洲研究项目3cixty的背景下，创建了一个包含城市的地点和事件的旅游知识图，加强了重复数据删除过程，并因此提高了知识图的质量。

最后，本论文涉及到推荐问题向时间序列的扩展，即序列感知推荐系统（SARS）。特别关注的是学习推荐旅游路径的问题，即用户可能感兴趣的旅游活动序列。我们提出了 "路径推荐器"，这是一种基于从Foursquare收集的用户签到序列训练的循环神经网络（RNN）的方法。路径推荐器在一系列相关指标上显示出优于一系列竞争性的序列感知算法（大数据、条件随机域）。路径推荐器架构的扩展和临时版本被设计用于自动播放列表的延续问题，并在RecSys2018挑战赛的背景下进行了测试，在创意赛道的33个参与者中取得了第14名，在主赛道的113个参与者中取得了第36名。已经收集的Foursquare数据集和这项工作中定义的SARS评估框架已经成为研究界的公共资源。