La Raccomandazione · Il piatto giusto per te
Guo 2020 - Rassegna dei sistemi di raccomandazione basati su grafo della conoscenza | ARETHE Kosmos
Immaginate un motore di raccomandazione che non si limiti a dire 'chi ha visto X ha visto anche Y', ma comprenda il perché: lo stesso regista, lo stesso tema del dolore, la stessa luce siciliana nel fotogramma. Questo è ciò che un grafo della conoscenza porta alla raccomandazione: sostituisce il conteggio delle co-occorrenze con una rete strutturata di significati.
Questo articolo del 2020 mappa ogni metodo principale sviluppato tra il 2013 e il 2020 per tradurre quel significato in suggerimenti personalizzati - e le stesse architetture funzionano per ricette, ingredienti stagionali e tradizioni culinarie regionali, non solo per film e libri.
Cosa dice, in breve
- La rassegna classifica oltre 40 sistemi di raccomandazione basati su grafi della conoscenza (2013-2020) in tre famiglie algoritmiche: metodi basati su embedding (vettori KGE integrati nel filtraggio collaborativo), metodi basati su cammini (meta-cammini e grafi eterogenei o embedding di cammini appresi), e metodi unificati (propagazione GNN su insiemi ripple multi-hop).
- I metodi embedding si dividono tra grafi degli item soltanto (CKE, DKN, KSR, MKR) e grafi utente-item (CFKG, SHINE); l'addestramento multi-task con completamento del grafo della conoscenza migliora la qualità delle raccomandazioni.
- I metodi basati su cammini originano nel 2013 come raccomandazione su reti informative eterogenee; le varianti moderne (RKGE, KPRN, PGPR) apprendono embedding di cammini via LSTM/RL fornendo spiegabilità intrinseca.
- I metodi unificati, inaugurati da RippleNet (CIKM 2018), raffinano le rappresentazioni di utenti e item attraverso l'aggregazione di vicini multi-hop nel grafo; KGCN, KGCN-LS, KGAT, KNI, IntentGC e AKGE sono i principali esponenti.
- Sette domini applicativi sono catalogati con i relativi dataset di riferimento e strategie di costruzione del KG: film, libri, musica, prodotti, punti di interesse, notizie, piattaforme sociali.
- Sei direzioni di ricerca aperte: raccomandazione dinamica, apprendimento multi-task, raccomandazione cross-dominio, rappresentazione linguistica arricchita da KG, selezione del metodo KGE, integrazione di informazioni lato utente.
Provenienza
- Fonte
- A Survey on Knowledge Graph-Based Recommender Systems— Guo 2020
- Licenza
- unknown
- Nel Kosmos
- 5 voci · 172 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.