Press "Enter" to skip to content

当推荐系统遇见知识图谱

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

Knowledge Graph

 

知识图谱是一种语义图,其结点(node)代表实体(entity)或者概念(concept),边(edge)代表实体/概念之间的各种语义关系(relation)。一个知识图谱由若干个三元组(h、r、t)组成,其中h和t代表一条关系的头结点和尾节点,r代表关系。

 

引入知识图谱进入推荐系统领域的优点在于:

 

「精确性(precision)」:为物品item引入了更多的语义关系,可以深层次地发现用户兴趣

 

「多样性(diversity)」:提供了不同的关系连接种类,有利于推荐结果的发散,避免推荐结果局限于单一类型

 

「可解释性(explainability)」:连接用户的历史记录和推荐结果,从而提高用户对推荐结果的满意度和接受度,增强用户对推荐系统的信任。

 

但是知识图谱难以与神经网络直接结合,所以引出了 「knowledge representation learning」
,通过学习entity和relation的embedding之后,再嵌入到神经网络中。embedding方法主要可以分为 「translational distance」
方法和 「semantic matching」
方法两种,前者是学习从头实体到尾实体的空间关系变换(如TransE等系列),后者则是直接用神经网络对语义相似度进行计算。

 

将其结合到推荐里面比较困难的地方仍然有:

 

「图简化」如何处理KG带来的多种实体和关系,按需要简化虽然可能会损失部分信息但对效率是必要的,如只对user-user或者item-item关系简化子图。

 

「多关系传播」KG的特点就是多关系,不过现有可以用attention来区分不同关系的重要性,为邻居加权。

 

「用户整合」将角色引入图结构,由于KG是外部信号,但是否也可以将用户也融入为一种实体变成内在产物呢?

 

一般使用知识图谱有三种模式,如上图:

 

「依次学习(one-by-one learning)」使用知识图谱特征学习得到实体向量和关系向量,然后将这些低维向量(TransR方法等),引入推荐系统再做后面的处理。即只把知识图谱作为一个side info,多一维特征的处理方式。

 

「联合学习(joint learning)」将知识图谱特征学习和推荐算法的目标函数结合,使用端到端(end-to-end)的方法进行联合学习。即把知识图谱的损失也纳入到最后的损失函数联合训练。

 

「交替学习(alternate learning)」将知识图谱特征学习和推荐算法视为两个分离但又相关的任务,使用多任务学习(multi-task learning)的框架进行交替学习。这样可以让KG和RC在某种程度上融合的更加深入。

 

在介绍论文之前,先简要看看一般学习知识图谱的方法,一般有几种如下的处理方式:

 

「TransE」,即使其满足 h + r ≈ t,尾实体是头实体通过关系平移(翻译)得到的,但它不适合多对一和多对多,所以导致TransE在复杂关系上的表现差。公式如下

 

「TransH模型」,即将实体投影到由关系构成的超平面上。值得注意的是它是非对称映射

 

「TransR模型」,该模型则认为实体和关系存在语义差异,它们应该在不同的语义空间。此外,不同的关系应该构成不同的语义空间,因此TransR通过关系投影矩阵,将实体空间转换到相应的关系空间。

「TransD模型」,该模型认为头尾实体的属性通常有比较大的差异,因此它们应该拥有不同的关系投影矩阵。此外还考虑矩阵运算比较耗时,TransD将矩阵乘法改成了向量乘法,从而提升了运算速度。

 

「NTN模型」,将每一个实体用其实体名称的词向量平均值来表示,可以共享相似实体名称中的文本信息。

 

接下来主要整理2篇论文,CKE和RippleNet。

 

CKE

 

论文:Collaborative Knowledge base Embedding

 

地址:https://www.kdd.org/kdd2016/papers/files/adf0066-zhangA.pdf

 

也可以直接在公众号后台回复『0019』直接获取

 

发自16年KDD,将KG与CF融合做联合训练。
首先为了使用知识库,作者设计了三个组件分别从结构化知识,文本知识和视觉知识中提取语义特征,如上图中的右半部分,知识库的处理分别为:

 

结构化知识

 

知识库中的实体以及实体的联系。使用TransR提取物品的结构化信息(同时考虑nodes和relations),它的结构如下图,对于每个元组(h,r,t),首先将实体空间中的实体向关系r投影得到和,然后使,能够使得头/尾实体在这个关系r下靠近彼此,使得不具有此关系r的实体彼此远离。

 

文本知识

 

对实体的文字性描述。用多层降噪自编码器提取文本表达(SDAE),图中写的是Bayesian SDAE,意思就是让权重,偏置,输出层符合特定的正态分布,对视觉的处理也是一样的。

 

视觉知识

 

对实体的图片描述如海报等。用多层卷积自编码提取物品视觉表达(SCAE)

 

最后得到的item的表示为offset向量以及结构化知识,文本知识,图片知识的向量:

 


然后从知识库中提取的特征融合到collabrative filtering 中去,即与左边的用户反馈结合起来一起做CF进行训练就可以了,训练损失函数会用pair-wise的偏序优化。

 

#TransR
def projection_transR_pytorch(original, proj_matrix):
    ent_embedding_size = original.shape[1]
    rel_embedding_size = proj_matrix.shape[1] // ent_embedding_size
    original = original.view(-1, ent_embedding_size, 1)
#借助一个投影矩阵就行
    proj_matrix = proj_matrix.view(-1, rel_embedding_size, ent_embedding_size)
return torch.matmul(proj_matrix, original).view(-1, rel_embedding_size)

 

RippleNet

 

论文:RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems

 

地址:https://arxiv.org/abs/1803.03467

 

也可以在公众号后台回复『0020』直接获取

 

向来不同技术之间如果能融合的更深入,自然是能得到更好的信息。Ripple Network模拟了用户兴趣在知识图谱上的传播过程,整个过程类似于水波的传播,如上图从实体Forrest Gump开始一跳hop1,二跳hop2做传播,同时权重递减。
模型图如下图,对于给定的用户u和物品v,如何模拟用户兴趣在KG上的传播呢?
作者提出的方法就是将知识图谱中的每一个实体(h,r,t)都用用户历史的物品进行相似度计算:

 

v是物品向量,r是关系,h是头节点,三者计算相似度(得到了图片中Rh后面的绿色方格)。然后用这个权重对该实体中的尾节点t加权就得到了第一跳/扩散的结果:

 

所有跳最后的用户特征为所有跳的总和,需要注意的是,Ripple Network中没有对用户直接使用向量进行刻画,而是用用户点击过的物品的向量集合作为其特征(代码中也可以只使用最后的o):

 

实际上求和得到的结果可以视为v在u的一跳相关实体中的一个响应。该过程可以重复在u的二跳、三跳相关实体中进行,如此,v在知识图谱上便以V为中心逐层向外扩散。最后再用用户特征计算对物品的相似度得到预测结果:

 

然后来看一下模型类的代码:这部分的代码分为:数据input,得到嵌入特征,依次计算每一跳的结果并更新(按照公式依次计算),预测。最后是损失函数(由三部分组成)和训练、测试函数。

 

class RippleNet(object):
def __init__(self, args, n_entity, n_relation):
        self._parse_args(args, n_entity, n_relation)
        self._build_inputs()
        self._build_embeddings()
        self._build_model()
        self._build_loss()
        self._build_train()
def _parse_args(self, args, n_entity, n_relation):
        self.n_entity = n_entity
        self.n_relation = n_relation
        self.dim = args.dim
        self.n_hop = args.n_hop
        self.kge_weight = args.kge_weight
        self.l2_weight = args.l2_weight
        self.lr = args.lr
        self.n_memory = args.n_memory
        self.item_update_mode = args.item_update_mode
        self.using_all_hops = args.using_all_hops
def _build_inputs(self):
#输入有items id,labels和用户每一跳的ripple set记录
        self.items = tf.placeholder(dtype=tf.int32, shape=[None], name="items")
        self.labels = tf.placeholder(dtype=tf.float64, shape=[None], name="labels")
        self.memories_h = []
        self.memories_r = []
        self.memories_t = []
for hop in range(self.n_hop):#每一跳的结果
            self.memories_h.append(
                tf.placeholder(dtype=tf.int32, shape=[None, self.n_memory], name="memories_h_" + str(hop)))
            self.memories_r.append(
                tf.placeholder(dtype=tf.int32, shape=[None, self.n_memory], name="memories_r_" + str(hop)))
            self.memories_t.append(
                tf.placeholder(dtype=tf.int32, shape=[None, self.n_memory], name="memories_t_" + str(hop)))
def _build_embeddings(self):#得到嵌入
        self.entity_emb_matrix = tf.get_variable(name="entity_emb_matrix", dtype=tf.float64,
                                                 shape=[self.n_entity, self.dim],
                                                 initializer=tf.contrib.layers.xavier_initializer())
#relation连接head和tail所以维度是self.dim*self.dim
        self.relation_emb_matrix = tf.get_variable(name="relation_emb_matrix", dtype=tf.float64,
                                                   shape=[self.n_relation, self.dim, self.dim],
                                                   initializer=tf.contrib.layers.xavier_initializer())
def _build_model(self):
# transformation matrix for updating item embeddings at the end of each hop
# 更新item嵌入的转换矩阵,这个不一定是必要的,可以使用直接替换或者加和策略。
        self.transform_matrix = tf.get_variable(name="transform_matrix", shape=[self.dim, self.dim], dtype=tf.float64,
                                                initializer=tf.contrib.layers.xavier_initializer())
# [batch size, dim],得到item的嵌入
        self.item_embeddings = tf.nn.embedding_lookup(self.entity_emb_matrix, self.items)
        self.h_emb_list = []
        self.r_emb_list = []
        self.t_emb_list = []
for i in range(self.n_hop):#得到每一跳的实体,关系嵌入list
# [batch size, n_memory, dim]
            self.h_emb_list.append(tf.nn.embedding_lookup(self.entity_emb_matrix, self.memories_h[i]))
# [batch size, n_memory, dim, dim]
            self.r_emb_list.append(tf.nn.embedding_lookup(self.relation_emb_matrix, self.memories_r[i]))
# [batch size, n_memory, dim]
            self.t_emb_list.append(tf.nn.embedding_lookup(self.entity_emb_matrix, self.memories_t[i]))
#按公式计算每一跳的结果
        o_list = self._key_addressing()
#得到分数
        self.scores = tf.squeeze(self.predict(self.item_embeddings, o_list))
        self.scores_normalized = tf.sigmoid(self.scores)
def _key_addressing(self):#得到olist
        o_list = []
for hop in range(self.n_hop):#依次计算每一跳
# [batch_size, n_memory, dim, 1]
            h_expanded = tf.expand_dims(self.h_emb_list[hop], axis=3)
# [batch_size, n_memory, dim],计算Rh,使用matmul函数
            Rh = tf.squeeze(tf.matmul(self.r_emb_list[hop], h_expanded), axis=3)
# [batch_size, dim, 1]
            v = tf.expand_dims(self.item_embeddings, axis=2)
# [batch_size, n_memory],然后和v内积计算相似度
            probs = tf.squeeze(tf.matmul(Rh, v), axis=2)
# [batch_size, n_memory],softmax输出分数
            probs_normalized = tf.nn.softmax(probs)
# [batch_size, n_memory, 1]
            probs_expanded = tf.expand_dims(probs_normalized, axis=2)
# [batch_size, dim],然后分配分数给尾节点得到o
            o = tf.reduce_sum(self.t_emb_list[hop] * probs_expanded, axis=1)
#更新Embedding表,并且存好o
            self.item_embeddings = self.update_item_embedding(self.item_embeddings, o)
            o_list.append(o)
return o_list
def update_item_embedding(self, item_embeddings, o):
#计算完hop之后,更新item的Embedding操作,可以有多种策略
if self.item_update_mode == "replace":#直接换
            item_embeddings = o
elif self.item_update_mode == "plus":#加到一起
            item_embeddings = item_embeddings + o
elif self.item_update_mode == "replace_transform":#用前面的转换矩阵
            item_embeddings = tf.matmul(o, self.transform_matrix)
elif self.item_update_mode == "plus_transform":#用矩阵而且再加到一起
            item_embeddings = tf.matmul(item_embeddings + o, self.transform_matrix)
else:
raise Exception("Unknown item updating mode: " + self.item_update_mode)
return item_embeddings
def predict(self, item_embeddings, o_list):
        y = o_list[-1]#1只用olist的最后一个向量
if self.using_all_hops:#2或者使用所有向量的相加来代表user
for i in range(self.n_hop - 1):
                y += o_list[i]
# [batch_size],user和item算内积得到预测值
        scores = tf.reduce_sum(item_embeddings * y, axis=1)
return scores
def _build_loss(self):#损失函数有三部分
#1用于推荐的对数损失函数
        self.base_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=self.labels, logits=self.scores))
#2知识图谱表示的损失函数
        self.kge_loss = 0
for hop in range(self.n_hop):
            h_expanded = tf.expand_dims(self.h_emb_list[hop], axis=2)
            t_expanded = tf.expand_dims(self.t_emb_list[hop], axis=3)
            hRt = tf.squeeze(tf.matmul(tf.matmul(h_expanded, self.r_emb_list[hop]), t_expanded))
            self.kge_loss += tf.reduce_mean(tf.sigmoid(hRt))#为hRt的表示是否得当
        self.kge_loss = -self.kge_weight * self.kge_loss
#3正则化损失
        self.l2_loss = 0
for hop in range(self.n_hop):
            self.l2_loss += tf.reduce_mean(tf.reduce_sum(self.h_emb_list[hop] * self.h_emb_list[hop]))
            self.l2_loss += tf.reduce_mean(tf.reduce_sum(self.t_emb_list[hop] * self.t_emb_list[hop]))
            self.l2_loss += tf.reduce_mean(tf.reduce_sum(self.r_emb_list[hop] * self.r_emb_list[hop]))
if self.item_update_mode == "replace nonlinear" or self.item_update_mode == "plus nonlinear":
                self.l2_loss += tf.nn.l2_loss(self.transform_matrix)
        self.l2_loss = self.l2_weight * self.l2_loss
        self.loss = self.base_loss + self.kge_loss + self.l2_loss #三者相加
def _build_train(self):#使用adam优化
        self.optimizer = tf.train.AdamOptimizer(self.lr).minimize(self.loss)
'''
        optimizer = tf.train.AdamOptimizer(self.lr)
        gradients, variables = zip(*optimizer.compute_gradients(self.loss))
        gradients = [None if gradient is None else tf.clip_by_norm(gradient, clip_norm=5)
                     for gradient in gradients]
        self.optimizer = optimizer.apply_gradients(zip(gradients, variables))
        '''
def train(self, sess, feed_dict):#开始训练
return sess.run([self.optimizer, self.loss], feed_dict)
def eval(self, sess, feed_dict):#开始测试
        labels, scores = sess.run([self.labels, self.scores_normalized], feed_dict)
#计算auc和acc
        auc = roc_auc_score(y_true=labels, y_score=scores)
        predictions = [1 if i >= 0.5 else 0 for i in scores]
        acc = np.mean(np.equal(predictions, labels))
return auc, acc

 

完整的逐行中文注释笔记在:https://github.com/nakaizura/Source-Code-Notebook/tree/master/RippleNet

 

关于多跳的实现

 

博主在读文章的时候,始终不明白多跳是怎幺实现的,下面我们看看代码是怎幺写:

 

#ripple多跳时,每跳的结果集
def get_ripple_set(args, kg, user_history_dict):
    print('constructing ripple set ...')
# user -> [(hop_0_heads, hop_0_relations, hop_0_tails), (hop_1_heads, hop_1_relations, hop_1_tails), ...]
    ripple_set = collections.defaultdict(list)
for user in user_history_dict:#对于每个用户
for h in range(args.n_hop):#该用户的兴趣在KG多跳hop中
            memories_h = []
            memories_r = []
            memories_t = []
if h == 0:#如果不传播,上一跳的结果就直接是该用户的历史记录
                tails_of_last_hop = user_history_dict[user]
else:#去除上一跳的记录
                tails_of_last_hop = ripple_set[user][-1][2]
#去除上一跳的三元组特征
for entity in tails_of_last_hop:
for tail_and_relation in kg[entity]:
                    memories_h.append(entity)
                    memories_r.append(tail_and_relation[1])
                    memories_t.append(tail_and_relation[0])
# if the current ripple set of the given user is empty, we simply copy the ripple set of the last hop here
# this won't happen for h = 0, because only the items that appear in the KG have been selected
# this only happens on 154 users in Book-Crossing dataset (since both BX dataset and the KG are sparse)
if len(memories_h) == 0:
                ripple_set[user].append(ripple_set[user][-1])
else:
#为每个用户采样固定大小的邻居
                replace = len(memories_h) < args.n_memory
                indices = np.random.choice(len(memories_h), size=args.n_memory, replace=replace)
                memories_h = [memories_h[i] for i in indices]
                memories_r = [memories_r[i] for i in indices]
                memories_t = [memories_t[i] for i in indices]
                ripple_set[user].append((memories_h, memories_r, memories_t))
return ripple_set

 

即创造了一个ripple_set,这个set相当于就得到整个多跳应该访问到的节点,在每一跳里面都会为每个用户采样固定大小的邻居,然后存如到set中。所以在model模型的部分,可以直接遍历多跳计算。

 

Be First to Comment

发表评论

邮箱地址不会被公开。 必填项已用*标注