学习异构知识库嵌入以实现可解释的推荐

MMMay, 2018

学习异构知识库嵌入以实现可解释的推荐

Learning Heterogeneous Knowledge Base Embeddings for Explainable Recommendation

Qingyao Ai, Vahid Azizi, Xu Chen, Yongfeng Zhang

TL;DR本篇论文研究了如何将结构化知识应用于可解释性推荐引擎中，提出了一种基于知识嵌入的框架，能够在保留用户和项目关系结构的同时，生成个性化解释说明推荐结果，并在真实的电子商务数据集上验证了该方法的高效性和可解释性优势。

Abstract

Providing model-generated explanations in recommender systems is important to user experience. State-of-the-art recommendation algorithms - especially →

recommender systems collaborative filtering structured knowledge recommendation algorithms knowledge-base embedding

发现论文，激发创造

将结构化知识蒸馏到嵌入式向量中，用于可解释而且准确的推荐

通过提取结构化知识，我们提出了一种端到端的联合学习框架，旨在解决基于嵌入的推荐模型缺乏可解释性和受到数据稀疏性的困境。实验证明，该框架能够实现最先进的推荐效果，并且能够提供可解释的推荐原因。

Dec, 2019

基于知识图谱嵌入的个性化推荐系统

本研究通过将知识图谱嵌入汽车购买 / 销售领域，旨在构建个性化推荐系统，并通过实验证明所提出的方法能够提供与个体用户一致的相关推荐。

Jul, 2023

知识图谱可解释的基于实体的推荐

本文介绍了一种通过利用知识图谱的外部知识来生成解释的方法，通过 Personalized PageRank 算法对商品和知识图谱实体进行联合排序，生成具有解释的推荐。

Jul, 2017

基于知识的自然语言推荐解释

通过使用知识图谱方法和协同过滤技术，我们的研究提出了一种可以生成客观描述的推荐解释的方法，该方法结合了用户购买历史和物品特征，为用户提供与其偏好相匹配的个性化解释，实验结果表明该方法在自然语言可解释推荐方面优于现有的最新模型。

Aug, 2023

统一知识图谱学习和推荐：走向更好的用户偏好理解

本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

Feb, 2019

将基于嵌入和基于语义的模型相结合，用于推荐系统中的事后解释

本文介绍了一种将基于嵌入和基于语义模型相结合的方法，通过利用基于本体的知识图谱来提高推荐系统中的可解释性和解释力，以生成后续解释。该框架旨在产生有意义且易于理解的解释，提高用户的信任和满意度，并潜在地促进电子商务领域中推荐系统的采用。

Jan, 2024

使用异构表示法连接语言和知识进行神经关系抽取

本文介绍一种统一 Relation Extraction 和 KB Embeddings 的学习框架，并证明在知识库更新任务中取得了显著进展。

Mar, 2019

个性化推荐的分层关注知识图谱嵌入

本文提出了一种新的分层注意力知识图嵌入框架（HAKG），用于捕捉用户偏好，并在缓解数据稀疏性问题方面表现出优越性。

Oct, 2019

利用自动生成的知识图谱和强化学习技术增强推荐系统

在金融服务领域，应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章，促进客户关系、客户参与及推动客户做出明智的金融决策，并发掘了结构化数据和非结构化数据的潜在价值。

Jul, 2023

基于知识图谱的推荐系统综述

本文系统调查了基于知识图谱的推荐系统，从算法和数据集两个角度总结了近期发表的研究，并提出了该领域的几个潜在研究方向。

Feb, 2020