Collaborative Knowledge base Embedding (CKE)
在推荐系统中存在着很多与知识图谱相关的信息，以电影推荐为例：
-
结构化知识（structural knowledge），例如导演、类别等；
-
图像知识（visual knowledge），例如海报、剧照等；
-
文本知识（textual knowledge），例如电影描述、影评等。
CKE是一个基于协同过滤和知识图谱特征学习的推荐系统：
CKE使用如下方式进行三种知识的学习：
-
结构化知识学习：TransR。TransR是一种基于距离的翻译模型，可以学习得到知识实体的向量表示；
-
文本知识学习：去噪自编码器。去噪自编码器可以学习得到文本的一种泛化能力较强的向量表示；
-
图像知识学习：卷积-反卷积自编码器。卷积-反卷积自编码器可以得到图像的一种泛化能力较强的向量表示。
我们将三种知识学习的目标函数与推荐系统中的协同过滤结合，得到如下的联合损失函数：
使用诸如随机梯度下降（SGD）的方法对上述损失函数进行训练，我们最终可以得到用户/物品向量，以及实体/关系向量。CKE在电影推荐和图书推荐上取得了很高的Recall值和MAP值：
转载：