将知识图谱引入推荐系统？推荐系统

用户2749

2025年4月3日修改

推荐系统的目标是满足用户个性化需求，降低用户筛选信息的难度。推荐系统有着广泛地应用，在MDB的电影推荐中可以推荐更多人喜欢的电影，在Amazon的图书推荐会推荐与当前书相似的书，Booking.com会推荐可能会感兴趣的旅游的目的地，Quora上对用户可能感兴趣问答的推荐，Tik tok上对用户可能感兴趣的短视频推荐，以及音乐网站对用户可能感兴趣的音乐推荐。

50%

common.docs_name - LarkCCM_Docs_Menu_Image

50%

推荐系统有两大任务，评分预测和点击率预测：

💾

•
评分预测：是给定用户对物体的打分，可以直接地反应用户喜好程度，因此称为显式反馈（Explicit feedback）​

•
点击预测：是给定用户对物体的点击情况，并不能显式地反应出用户偏好，因此称为隐式反馈（Implicit feedback），隐式反馈收集难度更低，因此真实线上环境中常用Implicit feedback​

1.
协同过滤 collaborative filtering​

协同过滤（Collaborative Filtering, CF）假定相似用户有相似偏好，根据用户历史行为算出用户相似度，并用相似度加权平均其他用户的评分来预测该用户未打分物体的评分。​

50%

CF存在的缺点：

•
用户、物体矩阵存在稀疏性，用少量数据预测大量缺失的数据存在过拟合的风险。​

•
冷启动问题，难以解决新用户和新物品没有历史数据的情况。​

50%

2.
CF + Side Information​

通过引入辅助信息（Side Information）来解决协同过滤存在的问题，常用的辅助信息包括：社交网络比如微博间关注的关系、用户物品的属性信息、图片文本音频视频等多媒体信息、上下文信息比如购买时的位置时间信息。​

知识图谱

💾

知识图谱（Knowledge Graph, KG）也可以看作一种辅助信息，KG是一种有向异构图，它的节点表示实体，边表示实体间关系。一个KG通常包含多个三元组，形如（head, relation, tail），表示头实体与尾实体存在某种关系。我们假定推荐系统中的物品也是一个KG中的节点，因此KG提供了物品和物品之间的关系。​

50%

1.
知识图谱实例​

💾

以电影推荐为例：一个用户看过的电影可以靠KG中的实体连接到其他电影，通过合理推断，可以认为用户也会喜欢与该电影紧密连接的电影，因此从电影的属性和特征出发，一个KG可以帮助我们合理地推测用户的兴趣。​

电影推荐

48%

新闻推荐

52%

💾

以新闻推荐为例：可以通过用户阅读过的新闻实体，利用KG重复扩展并连接到另一条新闻。虽然下图中上下两条新闻字面上没有重合，但可以通过常识知识图谱进行判断关联非常紧密。​

2.
知识图谱嵌入 Knowledge Graph Embedding​

知识图谱嵌入（Knowledge Graph Embedding, KGE）可以解决知识图谱作为复杂图结构难以直接利用的问题，KGE可以学习KG中实体关系的低维向量表示。​

常用转移距离模型（Translate Distance Model）

2.
知识图谱嵌入 Knowledge Graph Embedding​

知识图谱嵌入（Knowledge Graph Embedding, KGE）可以解决知识图谱作为复杂图结构难以直接利用的问题，KGE可以学习KG中实体关系的低维向量表示。​

常用转移距离模型（Translate Distance Model）

将知识图谱引入推荐系统？推荐系统​

将知识图谱引入推荐系统？推荐系统