2016的paper
利用知识库中的异构信息来提高推荐系统质量。主要贡献是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。
论文是基于什么问题提出来的？
CF(协同过滤)方法由于user-item矩阵的稀疏性，效果受限。
论文提出了什么方法
使用辅助信息提高性能。
具体来说是 利用了知识库中的异构信息来提高推荐系统的质量，给定结构信息，文本信息，视觉信息的知识库以及user的隐式反馈，产生一个用户感兴趣的ranked list。
本文设计了三个组件：结构内容、文本内容和视觉内容。
隐式反馈（user implicit feedback）：
有交互为1，没有交互或者不知道为0.（注意，为1不表示用户实际上喜欢，只能说对它感兴趣。为0只能说不感兴趣或者是潜在交互（用户不知道这些内容），不代表不喜欢。）
知识库（knowledge base）
- 结构信息：实体和实体之间的联系
- 文本信息：电影或书本的文本信息
- 视觉信息：封面海报之类的
结构特征：用户隐式反馈和结构信息
内容特征：文本和视觉信息
OverView
CKE模型包含两个步骤：
- 知识库嵌入（knowledge base embedding）
- 协作联合学习（collaborative joint learning）
Structural Embedding
具体来说，就是采用了异构网络嵌入的方法，称为TransR（2015 AAAI），通过考虑节点和关系的异构型来提取项目的结构表示。
结构化信息表现为一个network，因为一个实体有很多个实体相连，需要把这个网络映射到向量空间。
TransR
通过关系矩阵来链接不同语义空间。
以这种方式训练表征向量：
- 通过将实体映射到关系空间中
- 在两个投影实体之间构建翻译关系
对于每个关系，有一个变换矩阵Mr和一个它在自己的关系空间的表示向量r。通过变换矩阵将entities从实体空间投影到关系空间。
目标函数
加入贝叶斯先验之后的TransR生成过程：
这里的话就是使参数符合特定的正太分布（下同）
那慕达是调整正太分布里 瘦胖 的参数
Textual Embedding
堆叠去噪自动编码器（SDAE）
https://blog.csdn.net/zbzcDZF/article/details/86570761
https://www.cnblogs.com/neopenx/p/4370350.html
Wl是权重参数，bl是偏差参数
SDAE总共6层，前三层位置是Encoder部分（1-3），X0表示的是带有噪音的矩阵
后三层是Decoder部分（3-6），X6是无噪音的输出矩阵。
引入贝叶斯SDAE：
Visual Embedding
堆叠卷积自动编码器（SCAE）
Encoder 由两个卷积层（z0到z2）和一个完全连接层（z2到z3）组成。
Decoder又一个完全连接层（z3到z4）和两个解卷积层（z4到z6）组成。
中间隐藏层z3输出的使一个矩阵，其他层的输出通常称为特征映射，它是由卷积层生成的四维张量。
卷积层映射如下：
Q*表示卷积算子，用来保持先前输出的局部连通性（？）
引入贝叶斯SCAE：
Collaborative joint learning
将协同过滤（collaborative filtering）与知识库中的items embedding结合。在CKE框架中，提出了协作联合学习过程。
为同时获取协同过滤中的item的潜在表示和知识库中的representation，有
其中，η代表CF中的物品隐含含量。其他三个分别代表从知识库提取出来的特征。
再使用pair-wise 偏好概率表示，有
这个式子意思是对于用户i来说，相比j'，更喜欢j物品。θ表示模型参数。
参数学习，最大对数似然函数
论文中使用了随机梯度下降（SGD）算法，最大化等式7.
损失函数第二块：个人感觉是对文本embedding的正则化，防止过拟合。
Experiments
两个不同领域的数据集（电影和书籍）
- MovieLens-1M：有100w名用户和3706部电影组成。
- IntentBooks：微软Bing搜索引擎和Satori知识库组成。
“#sk nodes”表示提取结构信息中的节点总数
“#tk items”表示具有文本信息的items总数
“#vk items”表示具有视觉信息的items总数
实验总结：CKE(S)、CKE(T)、CKE(V)分别表示只用Structure，Texture或Visual的CKE模型
- CKE(S)、CKE(T)、CKE(V)都能beat掉baseline
- 相较CKE(S)、CKE(T)、CKE(V)提升的效果没有CKE(S)好，不过也是可以beat掉baseline
- CKE(STV)效果最好
