General Introduction
解决了什么问题？
<ul><li><span style="font-size: inherit;">信息过载——连结用户和信息</span></li></ul>
<ul><li>长尾效应——帮助用户发现感兴趣但难发现的兴趣</li></ul>
推荐系统的本质：利用算法模型进行精准的个性化推荐
<ul><li>结合物品信息、用户信息及用户对于物品的行为</li></ul>
<ul><li>利用机器学习构建用户兴趣模型</li></ul>
常用推荐算法介绍
1. <u>（传统推荐系统）</u>基于内容推荐（content-based recommendation）
Hypothesis： 用户可能对交互过的相似物品感兴趣。e.g.推荐电影，根据用户看过的电影，推荐相似题材。
核心思想：从物品的内容中学习用户和物品之间的关系（表示）
2. （传统推荐系统）协同过滤算法（collaborative filtering recommendation）
1. 用户协同过滤：比如A和B爱好相似，基于相似用户感兴趣的东西来推荐
2. 物品协同过滤：比如一群人都喜欢A和B物品，系统会认为A和B是相似的，如果有用户也喜欢了A的话，系统就会给它推荐B。
3. 混合推荐系统（结合1&2）解决传统系统会存在的一些问题
核心思想：加入了一些辅助信息（如社交网络/用户属性/多媒体/上下文）
知识图谱对于推荐系统的优势（知识图谱中包含推荐系统中的用户和物品等，需要我们去挖掘他们之间的联系）
1. 精准性：提工更多关于物品的语义信息，<b>深层挖掘</b>用户兴趣。（e.g.用户喜欢天下无贼，通过知识图谱发现其导演为冯小刚，进一步可以知道老炮儿也是他的作品，进而给用户推荐老炮）
2. 多样性：<b>多个角度扩展</b>用户兴趣
3. 可解释性：连结用户兴趣和推荐结果
知识图谱结合推荐系统的算法
1. 基于Embedding
核心思想：直接使用来自KG信息，去学习用户和物品的表示（就是直接处理之后获得实体和关系直接应用到推荐系统框架中）
1.基于距离翻译模型：代表方法transE
2.基于语义匹配模型
基于embedding方法的模型例子:collaborative filtering with KG
优点：ez to implement; 融合了KG的结构特征和语义特征
缺点：忽略了KG的信息连通性，缺少可解释性（往回找原因，为啥推荐了这个比较难，因为是离线做好了算法直接implement）<br>
2. 基于路径
核心思想：将知识图谱当作异构信息网络，构建物品之间的基于meta-path（路径）的特征（就是预定义路径）
举例：电影-导演-电影-演员-电影；电影-种类-电影-种类-电影；通过以上path挖掘两个电影之间的潜在关系。
优点：有充分的可解释性（推荐给用户的电影可以知道是用过哪个路径推荐到的）；也利用到了KM的网络结构
缺点：要手动设计路径；（实践中比较欠缺）不适用于跨领域的场景（比如新闻推荐，实体不属于同一个领域，跨领域比较多无法手动去预定义每一个领域的路径）-->大量的人为操作
3. 联合方法（规避1&2的问题）-->当前的研究趋势
核心思想：利用在图上传播的方法不断完善用户和物品的表示。（结构借鉴于图网络模型，很大的领域，不细讲了）
优点：
1. 提高准确性：优点在优化推荐系统的同时去学习图谱的节点和关系的表示；端到端（优于embedding），优化目标明确；图网络框架更好学习KG的结构和语义信息。
2. 提高可解释性：加入了路径，所以可以通过用户提供的物品的路径权重来解释推荐原因。
