RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems

1.知识图谱嵌入的基本过程，为什么难以直观有效表达项目间的关系

1.1基本过程（知识图谱嵌入）

  • 构建三元组: 将知识图谱表示为(头实体h, 关系r, 尾实体t)集合。

  • 向量化建模: 为每个实体、关系分配可学习的向量/矩阵，常见范式如TransE(h+r≈t)、DistMult、ComplEx、RotatE等。

  • 打分函数: 通过模型特定的打分f(h,r,t)衡量三元组合理性（越高越可信）。

  • 负采样训练: 用真实三元组配合构造的假三元组优化排名/交叉熵损失，联合正则化（范数约束、关系正交等）。

  • 推断与下游: 训练好后用打分函数进行链路预测；在推荐中可将实体/关系嵌入与用户行为聚合（或图神经网络）结合，得到可用于召回/排序的表示。

1.2为何难以直观有效表达“项目间关系”

  • 多关系压缩: 一个物品与其他实体通过多种关系相连（类别、品牌、属性、制作人…），嵌入把多语义压缩到固定维度，很难保留清晰、可分解的“哪一种关系导致相似”的解释。

  • 路径可组合性弱: 多跳路径蕴含的组合语义（如“同导演→同题材→同受众”）在简单向量运算中难以保真，导致复杂关联被“糊成”相近但不可解释的距离。

  • 语境依赖丢失: 项目相关性常常依用户/场景而变（同一两物品对不同用户意义不同）。静态嵌入用统一相似度度量（点积/余弦）难以表达这种条件化关系。

  • 目标不一致: KG嵌入多以链路预测为目标，优化“真假三元组可分性”，而推荐需要用户偏好排序与业务可解释性，二者并不等价。

  • 长尾与稀疏: 关系少或冷门物品学到的向量不稳定，近邻关系受噪声主导，难以形成可靠的“项目-项目”语义。

  • 可解释性受限: 高维向量接近并不直接对应可读的关系句子或具体路径，难以给出“为什么这两个项目相关”的直观依据。

2.知识图谱的元路径是什么意思，具体如何通过路径实现推荐

2.1元路径（Meta-path）

在异构信息网络/知识图谱中，用“节点类型→关系类型”的序列定义的一种语义路径模板，描述两类实体之间的关系模式，而非具体数据上的一条边。例如：用户-评分->电影-由->导演-执导->电影（记作 U-R-M-D-M），表示“用户通过共同导演关联到另一部电影”的语义。

2.2如何用路径做推荐

  • 选路径: 依据业务先验或自动搜索，挑选能表达偏好的元路径（如 U-M-U 共同喜好、U-M-A-M 同演员、U-M-T-M 同标签）。

  • 算关联分数: 对每个用户-物品对，在每条元路径下计算“可达性/相似性”作为特征 f_k(u,i)。常见做法：

    • 路径计数: 统计从 u 到 i 的元路径实例条数（可加衰减或去重）。

    • 路径约束随机游走（PCRW）: 只沿元路径类型行走，取从 u 抵达 i 的概率。

    • PathSim/HeteSim: 对称路径用 PathSim 比同类节点相似度，异类对（如用户-物品）用 HeteSim 的归一化可达性。

  • 矩阵乘法实现: 为每种关系建邻接矩阵 AR；某元路径 R1→R2→…→RL 的连通强度可由 M = AR1 · AR2 · … · ARL 得到，M[u,i] 即 fk(u,i) 的原始值（再做归一化/平滑）。

  • 融合与排序:

    • 无监督: 设权重 wk，得分 s(u,i) = Σ kwkfk(u,i)，wk 可靠验证集调参或启发式设定。

    • 监督学习: 把各 fk 作为特征，喂给 LR/FM/GBDT/神经网络，直接学习点击/评分/转化；或做 pairwise 排序优化 NDCG/HR。

  • 生成Top-N: 对每个用户按 s(u,i) 排序，输出前N个物品，并可附上触发的元路径实例做可解释性说明。

2.3那么为什要选择高质量的元路径，对结果有什么影响吗

  • 好路径：User–Item–Actor–Item（同演员常反映真实偏好传递）

  • 弱路径：User–Item–Publisher–Item（若“出版社”与用户兴趣弱相关，噪声更大）

3.“端到端训练”是什么

端到端训练指用一个统一的可微模型，将从输入到输出的所有步骤放在同一目标函数下，借助反向传播同时学习全部参数。

4.Bag-of-Words（词袋模型）

把文本看作“词的多重集”，忽略语序与语法，仅统计每个词在文本中出现的次数，用一个固定长度向量表示文本。

5.请问第5个公式和第6个公式表示的一阶响应、二阶响应……什么意思

一阶/二阶“响应”：指用户对候选物品在知识图谱上第k跳邻域产生的偏好信号。第1跳为一阶响应，第2跳为二阶响应，依此类推。

6.似然函数的目的

把G理解为知识图谱（实体–关系–实体的三元组集合）；其“似然函数”是在目标里鼓励模型对真实三元组赋高概率、对采样的负例赋低概率的项。

7.关于代码model.py的疑问

7.1该文件的主要内容

这个 py 文件主要实现了一个基于知识图谱的推荐模型（RippleNet）的 TensorFlow 1.x 版本。核心内容与结构如下：

  • 目标与思路：

    • 用用户在知识图谱上的“涟漪集”（Ripple set，按多跳采样的三元组记忆）增强对候选物品的打分。

    • 通过多跳记忆注意力，把每一跳的头实体 h 经关系 R 映射，与当前物品向量匹配得到注意力，再聚合尾实体 t，逐跳更新物品表示，最终做点积打分并用 sigmoid 得到点击概率。

  • 类结构：

    • 在 __init__ 中依次调用 _parse_args、_build_inputs、_build_embeddings、_build_model、_build_loss、_build_train，完成参数解析、图构建、损失与训练器设置。

    • 提供 eval 方法计算 AUC 和准确率，get_feed_dict 方法组织喂入数据。

  • 参数解析（_parse_args）：

    • 读取维度 dim、跳数 n_hop、每跳记忆数 n_memory、学习率 lr、正则权重 kge_weight/l2_weight、物品更新模式 item_update_mode、是否使用所有跳 using_all_hops，以及实体/关系总数。

  • 输入占位符（_build_inputs）：

    • items（候选物品 ID），labels（二分类标签）。

    • 每一跳的 memories_h/r/t（形状 [batch, n_memory]），表示该用户的知识图谱三元组集合。

  • 嵌入（_build_embeddings）：

    • entity_emb_matrix：实体嵌入，形状 [n_entity, dim]。

    • relation_emb_matrix：关系矩阵，形状 [n_relation, dim, dim]（双线性变换）。

    • Xavier 初始化（TF1 的 tf.contrib.layers.xavier_initializer()）。

  • 前向计算（_build_model + _key_addressing）：

    • 初始物品向量：从实体嵌入查 items 得到 [batch, dim]。

    • 对每一跳：

      • 查表得到当前批次的 h、r、t 嵌入。

      • 计算 Rh = R * h，与物品向量做注意力打分并 softmax。

      • 用注意力加权聚合尾实体得到本跳输出 o。

      • 按 item_update_mode 更新物品向量（replace/plus/…transform）。

    • 预测向量：使用最后一跳的 o，可选把所有跳的 o 累加。

    • 最终打分：与当前物品向量点积，sigmoid 得到概率。

  • 损失函数（_build_loss）：

    • 主任务：二分类交叉熵。

    • KGE 辅助项：对每跳记忆的三元组计算 h^T R t 的 sigmoid，并取负均值乘权重（鼓励真实三元组得分高）。

    • L2 正则：对当前 batch 的 h/t/r 嵌入做 L2；（代码中对变换矩阵的 L2 条件存在不一致，需修正）。

  • 训练与评估（_build_train, eval）：

    • 用 Adam 优化器最小化总损失（注释里有可选梯度裁剪）。

    • 评估返回 AUC 和准确率（阈值 0.5）。

  • 数据与形状约定：

    • 所有记忆占位符为 [batch, n_memory] 的 ID，嵌入为 [dim] 或 [dim, dim]。

    • 代码使用 float64 与 TF1 风格 API（需要在 TF2 中用 tf.compat.v1 和禁用 eager 才能运行）。

简而言之，这个文件定义了一个“多跳知识图谱注意力 + 推荐打分”的模型类：读入参数与数据，构建嵌入与多跳注意力前向，计算交叉熵 + KGE + L2 的损失，用 Adam 训练，并提供评估接口。

7.2“[batch_size, n_memory]”这两个元素分别什么含义

“[batch_size, n_memory]”是张量的两个维度，分别表示：

  • batch_size：本次前向/训练中并行处理的样本数。每一行对应一个样本（例如一个用户-候选物品对）。

  • n_memory：对该样本在“当前 hop（层）”上保留的三元组记忆数量。每一列对应一个记忆槽位；在同一列上，memories_h、memories_r、memories_t 的值共同组成一条三元组 (h, r, t)。

补充说明：

  • 这些占位符里的元素是整数ID：memories_h 是头实体ID，memories_r 是关系ID，memories_t 是尾实体ID。

  • 不要把 n_memory 和 n_hop 混淆：n_hop 是层数（会有多个这样的占位符组），n_memory 是每层为每个样本放入的三元组条数。

  • 实际数据中每个样本的可用三元组数可能不等；为了固定形状，一般会对每层的记忆做采样或截断到 n_memory，或用填充补齐。

举例：

  • 若 n_hop=2、n_memory=3、batch_size=2，则会有 6 个占位符：

    • memories_h_0/r_0/t_0: [2,3]，对应第 0 跳的三元组ID

    • memories_h_1/r_1/t_1: [2,3]，对应第 1 跳的三元组ID

  • 喂数据时，你会给每个占位符传一个 [batch_size, n_memory] 的整型矩阵，模型再据此取嵌入并计算注意力与聚合。

posted @ 2025-10-04 20:02  ゆきキラ  阅读(12)  评论(0)    收藏  举报