[论文解读] A Survey on Knowledge Graph-Based Recommender Systems

Qingyu Guo, Fuzhen Zhuang+5 more|arXiv (Cornell University)|Feb 28, 2020

Recommender Systems and Techniques参考文献 94被引用 25

一句话总结

本综述全面概述了基于知识图谱的推荐系统，分析了知识图谱如何通过整合物品属性、用户行为和关系数据等辅助信息来提升推荐的准确性和可解释性。它将现有方法分为嵌入式、路径式和统一式三类，评估了主要数据集，并指出了跨领域推荐、知识增强语言建模以及用户侧信息融合等关键研究空白。

ABSTRACT

To solve the information explosion problem and enhance user experience in various online applications, recommender systems have been developed to model users preferences. Although numerous efforts have been made toward more personalized recommendations, recommender systems still suffer from several challenges, such as data sparsity and cold start. In recent years, generating recommendations with the knowledge graph as side information has attracted considerable interest. Such an approach can not only alleviate the abovementioned issues for a more accurate recommendation, but also provide explanations for recommended items. In this paper, we conduct a systematical survey of knowledge graph-based recommender systems. We collect recently published papers in this field and summarize them from two perspectives. On the one hand, we investigate the proposed algorithms by focusing on how the papers utilize the knowledge graph for accurate and explainable recommendation. On the other hand, we introduce datasets used in these works. Finally, we propose several potential research directions in this field.

研究动机与目标

• 系统性地调研基于知识图谱的推荐系统近年来的进展，以应对数据稀疏性和冷启动等挑战。
• 分析知识图谱如何通过整合物品属性、用户行为和社会关系等异构辅助信息来提升推荐准确性。
• 探讨知识图谱在通过用户与物品之间的可解释关系路径实现可解释推荐中的作用。
• 整理并分类不同推荐场景（如电影、书籍、新闻和电子商务）中使用的基准数据集。
• 识别开放的研究挑战并提出未来研究方向，包括跨领域推荐、知识增强的表示学习以及用户侧信息融合。

提出的方法

• 将基于知识图谱的推荐系统分为三种主要方法：嵌入式、路径式和统一式方法，每类方法以不同方式利用知识图谱。
• 综述知识图谱嵌入（KGE）技术，包括基于平移距离的模型（如 TransE）和语义匹配模型，用于学习实体和关系的表示。
• 分析路径式方法，通过提取和利用用户-物品关系序列（如 用户 → 类型 → 电影）来生成可解释的推荐。
• 研究统一框架，通过图神经网络（GNNs）联合优化用户-物品交互与知识图谱结构。
• 评估在推荐流程中整合外部知识源（如 Freebase、DBpedia、YAGO 和 Google 的知识图谱）的效果。
• 比较不同数据集和应用领域中模型的性能，突出架构选择与设计权衡。

实验结果

研究问题

• RQ1 与传统的协同过滤或基于内容的方法相比，基于知识图谱的推荐系统在多大程度上提升了推荐准确性？
• RQ2 知识图谱通过何种方式借助可解释的关系路径增强推荐的可解释性？
• RQ3 在基于知识图谱的推荐中，嵌入式、路径式和统一式方法之间的关键差异与权衡是什么？
• RQ4 现有模型在知识图谱框架下如何利用物品属性、用户人口统计学信息和社会网络等辅助信息？
• RQ5 基于知识图谱的推荐中，主要开放挑战是什么，特别是在跨领域设置和知识增强表示学习方面？

主要发现

• 基于知识图谱的推荐系统通过将外部关系知识融入用户和物品的表示，显著缓解了数据稀疏性和冷启动问题。
• 路径式方法通过追踪关系序列（如 用户 → 类型 → 电影）实现可解释推荐，为推荐结果提供透明的解释依据。
• 通过图神经网络（GNNs）将用户-物品交互与知识图谱结构联合优化的统一模型，在多个基准测试中优于独立的协同过滤或基于内容的基线模型。
• 现有模型主要关注物品侧信息；极少有方法有效整合用户侧信息（如社交网络或人口统计学数据），表明存在研究空白。
• 跨领域推荐从知识图谱集成中获益显著，尤其是在利用迁移学习在数据密度差异较大的领域之间进行知识迁移时。
• 知识增强的语言表示技术（如 ERNIE、STCKA）在基于文本的推荐任务中展现出潜力，但当前模型（如 DKN）通常将文本嵌入与实体嵌入视为独立特征，未能有效融合。