1 什么是知识图谱

知识图谱是一种用图模型来描述知识和建模世界万物之间的关联关系的技术方法。知识图谱由节点和边祖成。节点可以是实体，如一个人，一本书等，或者是抽象的概念。边可以是实体的属性，如姓名，书名或者是实体之间的关系，如朋友，配偶等。

2 知识图谱有什么用

连续预测

连续预测通常被称为预测某个实体与另一个给定实体是否具有特定关系的任务。例如（？，导演，惊魂），是预测电影的导演，（毒液，导演，？），就是预测某个电影被某个人导演。

推荐系统

推荐系统为用户提供他们可能想购买或查看的物品的一些建议。在不同的推荐策略中，协同过滤取得了显著的成功。但是不是有效，因为用户-产品的交互可能稀少。可以通过混合推荐系统取得更好的性能。混合推荐系统将用户-物品的交互作用于用户或者物品的辅助信息相结合。

3 为什么使用在推荐系统中使用知识图谱

场景化推荐

比如用户在淘宝上搜”沙滩裤“和沙滩鞋”，我们可以推测该用户要去沙滩度假，我们下一步会推荐泳衣和防晒霜。

任务型推荐

比如用户购买了羊肉卷，牛肉卷，菠菜，火锅底料，这种情况下系统推荐火锅调料和电磁炉。

冷启动下的推荐

冷启动的推荐一直是传统基于统计行为的推荐算法难以有效解决的问题。利用外部知识，可以有效解决传统系统存在的稀疏性和冷启动问题。

跨领域推荐

比如用户经常晒九寨沟，黄山，泰山的照片，系统会推荐登山装备等。

知识性推荐

在淘宝搜索三段奶粉，同时我们推荐用户一些和三段奶粉的婴儿每天的需水量是多少，如何引用等相关知识。

4如何把知识用不同方式引入推荐系统

依次学习（one-by-one learning)

首先，使用知识图谱特征学习到实体向量合关系向量，然后将这些低维向量引入推荐系统，学习得到用户向量合物品向量

DKN:Deep Knowledge-Aware Network for News Recommendation. WWW18.

知识图谱-->实体向量/关系向量-->推荐系统-->用户向量/物品向量

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。

Ripple Network:Propagating User Preferences on the Knowledge Graph for Recommender Systems.

Collaborative Knowledge Base Embedding for Recommender Systems

知识图谱-->实体向量，关系向量

推荐系统-->用户向量，物品向量

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

MKR: A  Multi-Task Learning Approach for Knowledge Graph Enhanced Recommendation

（知识图谱，推荐系统）-->(实体向量，关系向量，用户向量，物品向量）

5.如何向量化知识图谱中的实体和关系

基于翻译模型（Trans系列）的知识表示学习，主要用来解决知识表示和推理的问题。表示学习将研究对象的语义信息表示为稠密低维实值向量，知识表示学习主要面对知识图谱中的实体和关系进行表示学习。使用建模方法将实体向量表示在低维稠密向量空间中，然后计算和推理。

TransE模型

Bordes, Usunier,Garcia-Duran,Weston,Yahnenko.TransE:Translating Embeddings for Modeling Multi-relational Data. NIPS 2013.

问题：

如何建立简单且易拓展的模型把知识库中的实体和关系映射到低维向量空间中，从而计算出隐含的关系

原理：

该模型的基本思想使head向量和relation向量的和尽可能靠近tail向量。该模型只能解决一对一的关系，不适合一对多或者多对一的关系。比如（skytree,location,Tokyo)和（gumdan,location,Tokyo),Skytree和gumda的实体向量可能相似，但是他们没有直接的联系。

TransE模型

TransH模型

Z.Wang,J.Zhang,J.Feng,Z.Chen. TransH:Knowledge Graph Embedding by Translating on Hyperplans. AAAI 2014

问题：

对知识库中的实体关系建模，特别是一对多，多对一，多对多的关系。

原理：

将关系解释为超平面上的转换才做。每个关系都有两个向量，超平面的范数向量和超平面上的平移向量(dr)

TransH模型

TransR模型

Learning Entity and Relation Embeddings for Knowledge Graph Completion(2015)

问题：

不同实体可有多个方面，不同的关系关注实体的不同方面。

原理：

TransR在两个不同的空间（实体空间和多个关系空间）中建模实体和关系，并在对应的关系空间中进行转移

TransR模型

对于每个三元组（h,r,t),将实体空间中的实体通过矩阵Mr投影到r关系空间中，分别为hr和tr，然后有hr+r=tr。

6 需要辅助的技术

实体链接

实体链接（entity link)

是把文本中的mention链接到KG里的entity的任务。

实体链接

Reference:

知识图谱+推荐系统（一）https://www.cnblogs.com/gongyanzh/p/12195282.html

知识图谱嵌入的Translate模型汇总（TransE,TransH,TransR,TransD) https://zhuanlan.zhihu.com/p/147542008

知识图谱知识表示学习：Trans系列（TransE,H,D,A,G,KG2E,TranSparse) https://blog.csdn.net/junruitian/article/details/87006668

王昊奋，漆桂林，陈华钧 《知识图谱》