微软亚研：谢幸结合知识的推荐系统，附30页PPT

Posted 2021-05-01 专知

导读

知识图谱正在被广泛应用，推荐系统领域也不例外。微软亚研的谢幸博士分享了结合知识图谱改进推荐系统的几个工作，包括改进推荐结果的准确性、多样性和可解释性等方面。

谢幸

谢幸博士于2001年7月加入微软亚洲研究院，现任首席研究员，中国科技大学兼职博士生导师，以及微软-中科大联合实验室主任。他1996年毕业于中国科技大学少年班，并于2001年在中国科技大学获得博士学位，师从陈国良院士。目前，他的团队在数据挖掘、社会计算和普适计算等领域展开创新性的研究。他在国际会议和学术期刊上发表了300余篇学术论文，共被引用25000余次，H指数75，1999年获首届微软学者奖，2019年获ACM SIGSPATIAL十年影响力论文奖及中国计算机学会青竹奖，并曾在KDD、ICDM等顶级会议上获最佳论文奖。他被邀请在MDM 2019、HHME 2018、ASONAM 2017、Mobiquitous 2016、SocInfo 2015、W2GIS 2011等会议做大会主题报告，并长期担任顶级国际会议程序委员会领域主席等职位。他是ACM Transactions on Social Computing、ACM Transactions on Intelligent Systems and Technology、Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT)、Springer GeoInformatica、Springer International Journal on Data Science and Analytics、Elsevier Pervasive and Mobile Computing、CCF Transactions on Pervasive Computing and Interaction等杂志编委。他在2009年参与创立了ACM SIGSPATIAL中国分会，曾担任ACM UbiComp 2011、PCC 2012、IEEE UIC 2015、以及SMP 2017等会议程序委员会共同主席，并将担任ACM SIGSPATIAL 2020大会程序委员会共同主席。他是ACM和中国计算机学会杰出会员。

个人主页：

https://www.microsoft.com/en-us/research/people/xingx/

推荐系统无处不在：

研究工作：

微软亚研的一些研究工作发布在github上，为用户表示和推荐算法的开发者们提供了许多案例和练习：

https://github.com/microsoft/recommenders

知识图谱

知识图谱是一种语义网络，结点表示实体或概念，边表示实体/概念之间的语义关系。

知识增强的推荐系统可以有效解决推荐中几大问题：

• 准确性

• 关于items的更多的语义内容

• 更深度的用户兴趣表示

• 多样性

• 知识图谱中不同的关系类型

• 通过不同的语义路径拓展用户兴趣

• 可解释性

• 将用户兴趣与推荐结果相连接

• 改善用户满意度，提升用户信任度

知识图谱嵌入表示

知识图谱嵌入表示是为知识图谱中的每一个实体和关系都学习一个低维的向量表示，使他们可以保持结构和语义知识。

• 基于距离的模型

• 基于匹配的模型

• 训练方式

协同知识嵌入

• 结构知识

• Direct, act等

• 视觉知识

• 电影海报，书籍封面图像等

• 文本知识

• 电影描述，评论等

深度知识感知的推荐网络

Ripple Network

可解释性推荐

总结

• 知识图谱可以为每个item拓展许多有用的信息，并且加强他们之间的关联，这有利于为推荐的结果添加多样性和可解释性

未来工作方向

• 结合推荐系统与基于图的推理

• 联合设计和优化推荐算法与底层结构

• 解决知识的时间演化问题

• 后台回复“谢幸CSDN2019” 就可以获取《结合知识图谱的推荐系统》专知资源链接索引。

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

点击“阅读原文”，了解使用专知，查看5000+AI主题知识资料