如何在推荐系统中玩转知识图谱

‍

点关注，不迷路，定期更新干货算法笔记~

在推荐系统领域近几年的工作中，知识图谱被越来越多的应用进来。在推荐系统中引入知识图谱被验证会给user-item的预测效果带来比较明显的提升，一个主要原因在于通过知识图谱，可以挖掘到很多user-item历史交互行为中看不到的信息。知识图谱如何应用到推荐系统中呢？今天就给大家带来4篇顶会中典型的知识图谱应用到推荐系统的工作。

推荐阅读相关历史文章：

推荐系统大杀器——基于图学习的协同过滤

图表示学习经典工作梳理——基础篇

1

扩展item的实体信息

论文题目：KGAT: Knowledge Graph Attention Network for Recommendation（KDD 2019）

下载地址：https://arxiv.org/pdf/1905.07854.pdf

大多数CTR预估模型中都将每个样本视为单独的个体，没有建立样本之间的联系。例如下图的例子中，基于协同过滤的方法更关注与user1具有相同历史行为（即看过i1）的user；而一些基于深度学习的预估模型更关注和i1有相同属性的item。这两种类型的信息可以结合到一起进而泛化出更多的信息，即根据具有相同属性的e1泛化得到和u2、u3的关系。

本文通过将item的属性信息引入到user-item的图中，挖掘更高阶的交互信息，补充user-item二部图的信息缺失，建立更广阔的的联系。具体的实现方法主要包括构图、Embedding Layer、Information Propogation和Information Aggregation四个部分。

首先在构图上，根据user和item的交互行为构建user-item二部图，user和item如果有交互则建立边.。在此基础上，引入知识图谱，即将item的属性信息entity引入二部图中。

接下来，在Embedding Layer中，本文采用TransR将知识图谱中的关系relation和实体entity映射成一个向量。TransR是构建知识图谱embedding的一种常见方法（Trans系列方法），其核心目标是让头实体embedding加上关系embedding等于尾实体embedding，感兴趣的同学可以进一步深入了解。本文TransR的目的是生成知识图谱中实体和关系比较好的embedding，作为后续输入。

在得到实体和关系的embedding后，下一步是Information Propogation，即如何将图中的信息进行传播，以此获得更好的item或user embedding。本文采用的是类似graph attention network的思路，主要区别在于计算attention score时会将两个节点之间的关系embedding也加入，这样可以引入更多的信息，公式如下，对graph attention network不了解的同学可以参考之前的文章图表示学习经典工作梳理——基础篇：

最后是Information Aggregation，融合节点原来的表示和上面propogation的表示，包括相加+非线性全连接、拼接+非线性全连接，本文额外提出一种从多个角度融合的方式，直接度量两个表示的距离关系：

在最终的预测上，使用上面过程生成的user embedding和item embedding做内积，计算user和item之间是否会进行交互。

2

知识图谱补全+预估联合学习

论文题目：Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Preferences（WWW 2019）

下载地址：https://arxiv.org/pdf/1902.06236.pdf

本文主要针对的是当知识图谱不完整时，如何将其应用到推荐系统，核心是采用推荐任务+知识图谱补全任务联合学习。现实中的知识图谱一般都是不完整的，这会影响知识图谱在推荐系统中使用的效果。比如有个电影和导员的关系在知识图谱中没有，就会导致即使一个用户点击了很多这个导员的电影，KG也无法推荐这个关系缺失的电影。同时，推荐系统中user和item之间的交互行为，对于补全知识图谱也是有好处的。因此本文希望让两个任务互相促进，最终提升推荐系统中的预测效果

首先，作者定义了一组隐式的preference，每个preference都是一个向量，用来描述用户的某个兴趣。所有用户共享相同的preference向量。接下来，借鉴Trans系列方法中头实体+关系=尾实体的思路，在推荐系统中对应的是user embedding + preference embedding = item embedding。用这种方式训练user、item、preference的embedding，文中采用的是TransH方法，相比TransE会将每种不同的关系生成一个独立的超平面，即每个entity在不同的关系下会有不同的embedding。

上面的方法还没有引入知识图谱信息，为了将知识图谱信息引入，作者在知识图谱中也用Trans方法训练关系和实体的embedding，并加到推荐系统中训练的embedding上，同时进行link prediction和推荐系统两个任务。这样推荐系统任务也会更新知识图谱的embedding，帮助link prediction任务；同时知识图谱的信息会为推荐系统任务提供额外信息。

3

知识图谱建模用户行为和目标item关系

在推荐系统中引入知识图谱的方法主要分为meta-path based和GCN based两种类型。前者人工指定meta-path，每个path单独进行编码，会导致部分信息的缺失，无法充分挖掘整个KG的信息；后者通过汇聚中心节点的邻居生成表示，但是没有考虑user的历史行为，即item会跟和它相似的item汇聚，没有根据user历史行为进行表示生成。并且在邻居节点的sample过程中，可能丢失比较重要的信息。

本文提出的ATBRG主要为了解决以前方法存在的问题，核心目标是挖掘用户历史行为的item和目标item之间的关系。首先，ATBRG会根据当前user的历史行为以及target item动态构造一个图（adaptive relational graph），这个图可以涵盖当前user的历史行为和target item的大部分信息。通过在KG中寻找链接用户所有历史行为的item与target item的边，并且裁剪到不连接不同item的entity（如果一个entity只连接了一个item，就直接裁减掉）。

在上面图的基础上，本文提出Relation-aware Extractor Layer进行信息汇聚，考虑了不同类型边的区别，将边（关系）的embedding也引入进来进行信息汇聚，类似于Trans系列中头实体-关系-尾实体的建模思路，公式如下：

通过上面方法可以得到user历史行为每个item的embedding，以及目标item的embedding。最后会根据当前目标item，采用类似于DIN的思路对user历史行为item学习一个attention权重进行融合，得到user的最终表示。user的表示和item的表示会与其他特征一起，输入到后续全连接网络中进行ctr预测。

4

知识图谱挖掘用户点击行为成因

论文标题：MTBRN: Multiplex Target-Behavior Relation Enhanced Network for Click-Through Rate Prediction（CIKM 2020）

下载地址：https://arxiv.org/pdf/2008.05673.pdf

这篇文章和ATBRG类似，也是为了挖掘用户历史行为item和当前待推荐item之间的关系。现有的方法忽略了用户点击一个商品更深层次的原因，需要引入知识图谱来获得这些信息之间的关系。例如下图中，用户历史行为购买或点击了很多漫威角色的玩偶，当目标item是钢铁侠T恤时，就需要有知识图谱中的多种知识，才能推断出user行为背后的原因。

为了建模这种关系，本文提出了MTBRN模型。首先构造了item-item相似度图（根据user-item点击关系计算相似度），并引入了外部知识图谱。接下来，在item-item相似度图和知识图谱中，分别找到用户历史行为item与目标item的所有路径，每个历史行为item到目标item的路径取最短的一个，一个例子如下图。

这些路径描述了目标item和历史行为item之间的关系，接下来本文采用了Bi-LSTM对对所有路径进行编码，得到各个路径的表示，并利用attention学习各个路径的权重进行融合，得到最终的embedding，用于后续预测。

5

总结

本文介绍了4篇顶会中知识图谱在推荐系统中的应用，这些方法的核心都是利用知识图谱在item侧扩展实体信息，利用丰富的外部知识为推荐模型提供更多的线索，寻找潜藏在用户点击或购买行为背后的内在原因，进而提升预测效果，在实际工作中值得一试。

点关注

END