-
构建一个开放的linked KB（knowledge base）数据集用于推荐系统(RS):knowledge-aware recommender systems
- Freebase，将事实存储为三元组⟨head,relation,tail⟩.使用的是2015年3月的版本【目前为最新发布的版本】
-
RS选用三个广泛使用的数据集
* MovieLens->movie * LFM-1b->music * Amazon book->book -
Related work for knowledge-aware recommender systems
-
第一阶段
context-aware recommendation algorithms，利用社交信息【Epinions数据集】、POI属性信息【Yelp数据集】、电影属性信息【MovieLens数据集】、用户档案信息【Microblogging数据集】..
利用原始RS平台的辅助信息（上下文数据）做推荐，这些数据往往辅助信息种类少，且辅助信息间关系relation patterns被忽略了
-
第二阶段
HIN: ,Heterogeneous InformationNetworks，能有效学习relation patterns
依赖图搜索算法，很难处理大规模关系查找
-
第三阶段
KB,用于组建只是和领域事实
通过连接RS items和KB entities，但现有文献使用的均为private KB,无法获取
-
-
如何构建RS到KB的连接(Linkage):
通过调用离线Freebase search API，用item titles作为queries,检索KB entities
如果没有KB entity返回，说明RS item在linkage process被拒绝了
如果至少一个KB entity返回，使用一种辅助信息作为准确连接间的一种精确的约束。e.g. IMBD ID,artist name and writer name are used for the three domains of movie, music and bookrespectively
-
Linkage ratio和哪些因素可能有关？
KB的构建经常包含人力工作，无法忽视人类注意力的偏差
流行度，成正相关，即item越流行，Linkage ratio可能越高
新颖度，成负相关，即item发布时间越晚，Linkage ratio可能越低
-
KB4Rec数据集的使用，选用哪些推荐算法进行试验，性能指标选取：
-
指标：
* MRR：mean reciprocal rank * HR: hit ratio * NDCG: normalized discounte cumulative gain -
推荐算法：
与文献【7】相似，采用last-item recommendation task for evaluation
-
算法：
* BPR * SVDFeature * mCKE:第一篇文献提出利用KB和其他信息来提高推荐性能 * KSR：Knowledge-enhanced Sequential Recommender,利用KB信息提高语义表示memory networks的性能【结果最好】
-
KB4Rec:ADatasetforLinkingKnowledgeBaseswith RecommenderSystems【论文笔记，数据集+KG用于推荐】
©著作权归作者所有,转载或内容合作请联系作者
- 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
- 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
- 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
