CKE

原文地址

http://www.kdd.org/kdd2016/subtopic/view/collaborative-knowledge-base-embedding-for-recommender-systems

该论文发表于16年KDD,主要贡献为在推荐系统中引入了结构信息,文本数据,图像数据等知识库中的信息来提升推荐系统的质量。其中,结构信息采用TransR来得到实体的向量特征,文本数据与图像数据分别使用栈式降噪自编码(Stacked Denoising Auto-encoders, SDAE)与栈式卷积自编码(Stacked Convolutional Auto-encoders)来提取出向量特征。

Item的向量表示是将最初的向量与来自知识库中的三个特征向量相结合。对于构建出的损失函数可以使用随机梯度下降来进行优化,从而实现基于异构数据的ranking推荐。

动机

目前最常用的矩阵分解方法的性能会因为矩阵过于稀疏而性能下降,同时也存在无法推荐新的item和冷启动等问题。基于内容的推荐无法很好的解决推荐结果的多样性问题。考虑到用户对于item的选择也会受到与item相关的其他信息的影响。因此,混合了协同过滤与其他信息的推荐系统通常可以更好地解决这些问题,从而得到更好的结果。

知识库中通常包含了大量的信息,因此有部分工作将知识库作为其他信息来与协同过滤进行融合。然而,这些工作目前存在以下问题: