State-of-the-art recommendation algorithms -- especially the collaborative filtering (CF) based approaches with shallow or deep models -- usually work with various unstructured information sources for recommendation, such as textual reviews, visual images, and various implicit or explicit feedbacks. Though structured knowledge bases were considered in content-based approaches, they have been largely neglected recently due to the availability of vast amount of data, and the learning power of many complex models. However, structured knowledge bases exhibit unique advantages in personalized recommendation systems. When the explicit knowledge about users and items is considered for recommendation, the system could provide highly customized recommendations based on users' historical behaviors. A great challenge for using knowledge bases for recommendation is how to integrated large-scale structured and unstructured data, while taking advantage of collaborative filtering for highly accurate performance. Recent achievements on knowledge base embedding sheds light on this problem, which makes it possible to learn user and item representations while preserving the structure of their relationship with external knowledge. In this work, we propose to reason over knowledge base embeddings for personalized recommendation. Specifically, we propose a knowledge base representation learning approach to embed heterogeneous entities for recommendation. Experimental results on real-world dataset verified the superior performance of our approach compared with state-of-the-art baselines.


翻译:最先进的建议算法 -- -- 特别是以浅度或深度模型合作过滤法为基础的基于协作过滤法 -- -- 通常与各种非结构化的信息来源合作,例如文本审查、视觉图像和各种隐含或明示反馈。虽然在内容方法中考虑了结构化的知识基础,但由于大量数据的存在,以及许多复杂模型的学习能力,这些基础最近在很大程度上被忽视。然而,结构化知识基础在个性化建议系统中具有独特的优势。当考虑对用户和项目的明确知识作为建议时,该系统可以根据用户的历史行为提供高度定制的建议。使用知识基础作为建议的一个重大挑战是如何综合大规模结构化和非结构化的数据,同时利用协作过滤机制来取得高度准确的业绩。最近的知识基础成果揭示了这一问题,从而有可能学习用户和项目表述,同时保持与外部知识的关系结构。在这项工作中,我们提议为个人化建议考虑是否将知识基础嵌入知识基础。具体地说,我们建议采用知识基础化学习方法,以将各种结构化实体嵌入建议中。我们建议的一个重大挑战是如何将结构化和非结构化的大规模、结构化的数据,同时利用协作过滤式筛选式的过滤方法,以比较现实世界的基线数据。实验性实验性数据设置。

23
下载
关闭预览

相关内容

17篇知识图谱Knowledge Graphs论文 @AAAI2020
专知会员服务
169+阅读 · 2020年2月13日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
17篇必看[知识图谱Knowledge Graphs] 论文@AAAI2020
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【论文】图上的表示学习综述
机器学习研究会
12+阅读 · 2017年9月24日
Arxiv
92+阅读 · 2020年2月28日
Arxiv
20+阅读 · 2019年11月23日
Arxiv
7+阅读 · 2018年1月31日
VIP会员
相关VIP内容
17篇知识图谱Knowledge Graphs论文 @AAAI2020
专知会员服务
169+阅读 · 2020年2月13日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Top
微信扫码咨询专知VIP会员