前言：近幾年有很多工作將圖模型應用於推薦系統，併為推薦系統帶來了更好的實體表示和更強的解釋能力。本文將介紹2020年放在arXiv上的兩篇圖推薦相關的綜述，不會涉及太多細節，旨在為大家展示

將圖與推薦系統結合的基本正規化和常規思路

。

第一篇是《A Survey on Knowledge Graph-Based Recommender Systems》，介紹瞭如何將知識圖譜作為輔助資訊，提升推薦效果。

arXiv連結：https：//arxiv。org/abs/2003。00911

Abstract & Introduction：

推薦系統有兩大基本正規化：

基於協同過濾（互動）的推薦

和

基於內容（特徵）的推薦

，而

混合推薦

旨在結合二者，並引入了多種

輔助資訊（使用者社交網路、商品評論、知識圖譜等）

。

知識圖譜作為輔助資訊有兩大優勢：一是

關係豐富

，可以整合user、item、feature等多級異構關係於一體，尤其對於互動資料稀疏的場景，為提升推薦

準確性

帶來了很多可能；二是

關係明確

，由於知識圖譜裡的關係已經顯式構建好了，透過關係序列可以為推薦結果提供

可解釋性

。

本文調研了知識圖譜（KG）+推薦（RS）的工作，並探討了下列三個方面：

知識圖+推薦，有哪些方法（如何利用知識圖進行準確和可解釋的推薦）？

知識圖+推薦，有哪些資料集？

知識圖+推薦，有哪些未來研究方向？

注：為了方便起見，結合知識圖譜的推薦系統簡稱為KGRS。

Concepts & Notations：

知識圖譜

（事實圖譜）是表示大規模資訊的實用方法，遵循資源描述框架（RDF）標準，用節點代表

實體

，用邊代表實體間的

關係

，由邊形成的三元組（即，頭部實體-關係-尾部實體）代表一條

事實

，實體的K-1階鄰居為頭實體的三元組稱為該實體的

波紋集

（ripple set）。由於節點和邊型別多樣，知識圖譜是

異質圖

，並可以用

元路徑/元圖

抽象出由

多跳鄰居

構成的

事實序列/子圖

的一般正規化。知識圖譜中的節點和邊常在低維向量空間得到

嵌入表示

（KGE），以便運算和儲存。根據覆蓋的知識範圍不同，知識圖譜可以分成

跨領域

的（如YAGO、Satori等）和

特定領域

的（如Bio2RDF等），列表如下：

推薦系統旨在為user匹配一個（或一系列）未觀測的item，基本步驟如下：

Step 1：生成user和item的表示。

Step 2：根據user和item表示，計算得分函式（如，內積、DNN等），表示user對item的偏好。

Step 3：基於得分對item排序，將排名靠前的item推薦給使用者。

推薦系統依賴使用者的

顯式/隱式反饋

，並可以透過知識圖譜獲得user的

K階相關實體

（0階表示有互動歷史的item），K-1階相關實體為頭實體的三元組稱為該

user的ripple set

。

Methods：

KGRS的方法分成三類：基於embedding的方法，基於path的方法，聯合方法。

基於embedding的方法

：基本思想是藉助KGE演算法，直接利用KG的資訊豐富item/user的表示。KGE演算法主要包括

翻譯距離模型

（如，TransE、TransH、TransR、TransD）和

語義匹配模型

（如，DistMult）等。

根據KG中是否包含user，基於embedding的方法可以分為兩類：

使用item graph（即KG僅由item和相關feature構成）生成item embedding，然後結合item的文字/視覺特徵、user-item互動矩陣等資訊，構成完整的item表示，然後再單獨計算user表示和得分函式，代表方法有CKE、DKN、KSR等；

使用user-item graph（即KG由user-item互動歷史，以及item和相關feature構成），既可以使用第一類的方法，也可以用KGE方法將user和item嵌入到同一向量空間，並透過計算user和item的距離直接得到得分函式的值，代表方法有CFKG、SHINE、DKFM等。

最近的一些工作（如KTGAN、BEM）將KGE演算法與GAN、貝葉斯框架結合，旨在提升user和item的表示效果；或使用多工學習策略來聯合訓練推薦模組以及與知識圖相關的任務，以提高推薦質量，如KTUP、MKR、RCF等。然而，基於embedding的方法忽略了圖中的資訊連通模式，通常

無法為推薦結果提供解釋

。

基於path的方法

：基本思想是考慮到user和/或item的

連通相似性（語義相似性/結構對等性）

，進而提升推薦效果。

連通相似性

的定義依賴metapath/metagraph等結構（規則，或稱為廣義的path）。

根據對path的不同利用方式，基於path的方法可以分為兩類：

基於path計算

連通相似度

，並作為正則項最佳化user和/或item的表示。path既可以預先指定（如Hete-MF、Hete-CF、HeteRec、HeteRec-p、FMG、SemRec等），也可以藉助外部知識庫學習得到（如，RuleRec）。

將所有/部分可能的path嵌入到低維空間，與user、item的表示共同訓練，並發現對推薦影響最顯著的path

（連線模式）

。代表性方法有MCRec、RKGE、KPRN、PGPR等。

基於path的方法有天生的可解釋性，但早期的方法沒有結合embedding的思想，對user/item的表示較為簡單，準確性仍有提升空間。

聯合方法

：基本思想是利用

嵌入傳播

（常使用GNN）完善user/item在KG中有多跳鄰居的表示，傳播過程可以看作是在KG中發現user的偏好模式，這類似於在基於path的方法中發現連線模式。

根據KG中是否包含user或item，聯合方法可以分成三類：

使用user graph：基於user波紋集傳播user偏好，模擬使用者興趣在知識圖譜上的傳播過程，提升user表示能力（代表方法有RippleNet、AKUPM等）；

使用item graph：基於K階鄰居（實體波紋集）傳播item屬性，豐富item表示（代表方法有KGCN等）。

使用user-item graph：考慮user和item的高階互動，並同時增強user和item的表示。代表方法有KGAT、KNI、IntentGC等。

聯合方法結合了基於embedding和基於path的方法，兼具準確性和可解釋性，逐漸成為KGRS的主流方法。

Datasets：

如下圖所示，推薦場景可以大致分為七類。對資料集來說，結合知識圖譜的方法可以分為兩類：一類是構建item圖，並引入Satori等外部知識庫豐富item的屬性；另一類是直接利用資料集裡的互動歷史和item屬性，構建user-item圖。

Future Works：

動態推薦。在商品/新聞/社交平臺等推薦中都有需要，主要包括兩個方面：item的動態更新，user興趣的動態建模。

多工學習。將知識圖譜中的任務與推薦任務結合，如關係補全（連結預測）、實體分類（節點分類）等，旨在對知識圖譜的資訊進一步挖掘。

跨域推薦。不同領域的互動資料可以互為補充，或利用資訊豐富的源域資料輔助對資訊缺乏的目標域的推薦。

知識增強的語言表示。將外部知識庫與富文字推薦任務（如，新聞推薦）進一步融合，提升item的表示效果。

知識圖嵌入方法。為不同推薦場景找到合適的特定KGE方法。

考慮使用者側資訊。現有工作大多基於user-item互動圖或item圖，加強user端建模（如，使用者屬性和社交網路等）可能提升推薦效果。

第二篇是《Graph Learning Approaches to Recommender Systems： A Review》，與第一篇中關注

如何將知識圖作為輔助資訊提升推薦效果

不同，這篇文章關注

如何將推薦系統應用於各種圖

，簡要介紹了不同型別的圖學習演算法。

arXiv連結：https：//arxiv。org/abs/2004。11718

Abstract & Introduction：

推薦系統中的涉及到的物件（user、item、feature等）大多數顯式或隱式連線，構成天然的圖並互相影響。基於圖的推薦系統（GLRS）考慮到物件間的複雜關係，不僅可以豐富物件表示，還可以藉助圖推理提升推薦系統的可解釋性。

Data Characteristics & Challenges：

如何考慮不同的圖結構的資訊，為推薦系統帶來了不同的挑戰：

樹狀圖（item層次圖）

：item間具有層次關係。同層不同類的相鄰item可能具有互補性（配套使用），同類item可能具有替代性（應避免重複推薦）。如何學習item間的層次關係存在挑戰。

不可分割圖

：指user社交圖和item共現圖（如，同一購物籃），前者反映user間的社交影響，後者反映item間的某種潛在關係（替代/互補/使用者的購物模式等）。如何學習user-user間、item-item間的相互影響存在挑戰。

二分圖（user-item圖）

：是推薦系統的核心（基本元件）。互動型別可能單一或多種，推薦可以看作user-item圖上的連結預測。如何考慮圖上不同型別的user-item互動之間的影響及其綜合影響，存在挑戰。

屬性圖

：這裡強調user/item在屬性圖/特徵圖（如kNN圖，而非社交/共現圖）上的相似性。如何在推薦系統中建模屬性圖，以及item-attribute構成的異質圖，存在挑戰。

複雜異構圖

：二分圖和不可分割圖同時出現，形成異構圖。如何結合二分圖與不可分割圖上的資訊，使來自兩個圖的異構資訊能夠適當地相互通訊存在挑戰。

多源異構圖

：多個不同來源的圖，資訊可能互相補充，有助於解決資料稀疏性和冷啟動問題，但也可能存在噪聲和矛盾之處。如何結合多源異構圖存在挑戰。

Graph Learning Approaches to RS

不同的圖學習方法，可以解決上面的挑戰：

隨機遊走

：可以捕獲圖上各類實體的高階關係、互動傳播、隱式偏好等建模，缺點是效率低，且缺乏用於最佳化推薦目標的模型引數。

圖表示學習

：學習user/item的低維表示。根據演算法原理不同，可分為三類：基於矩陣分解的模型（優點：快、簡單、適用於資料稀疏場景）、基於skip-gram的模型（優點：簡單、高效）和基於GNN的模型（優點：容易和其他下游推薦模型整合，端到端訓練，方便最佳化）。

圖神經網路

：這裡列舉了三類，分別是圖注意力網路、門控圖神經網路和圖卷積網路。（除了視為圖表示學習方法，GNN在建模複雜關係、提升可解釋性等方面也有幫助。）

知識圖譜

：通常作為外部知識庫出現，這裡主要關注KG的構建，而不是如何從已構建的KG中提取資訊（第一篇重點討論的）。KG構建可以分為三類：基於本體的KGRS（樹狀圖，表示歸屬關係），基於輔助資訊的KGRS（屬性圖，表示特徵級隱式連線）和基於常識的KGRS（如，領域知識外的一般語義，解決多源異構問題）。

Open Research Directions

本文提出了三個研究方向：

對動態圖做推薦。

基於因果推理的圖學習。

大規模實時推薦。

小結：圖推薦既需要關注如何挖掘和擴充套件資料中的圖模式（從核心的user-item圖，到外部的知識庫等），又需要關注圖學習和推理演算法的設計（效率、準確度、可解釋性等）。兩篇綜述的出發點不同，都具有一定的啟發意義。希望大家有所收穫~