构建一个开放的linked KB（knowledge base）数据集用于推荐系统(RS):knowledge-aware recommender systems

• Freebase，将事实存储为三元组⟨head,relation,tail⟩.使用的是2015年3月的版本【目前为最新发布的版本】

RS选用三个广泛使用的数据集

*   MovieLens->movie

*   LFM-1b->music

*   Amazon book->book

Related work for knowledge-aware recommender systems

• 第一阶段

  • context-aware recommendation algorithms，利用社交信息【Epinions数据集】、POI属性信息【Yelp数据集】、电影属性信息【MovieLens数据集】、用户档案信息【Microblogging数据集】..

  • 利用原始RS平台的辅助信息（上下文数据）做推荐，这些数据往往辅助信息种类少，且辅助信息间关系relation patterns被忽略了

• 第二阶段

  • HIN: ,Heterogeneous InformationNetworks，能有效学习relation patterns

  • 依赖图搜索算法，很难处理大规模关系查找

• 第三阶段

  • KB,用于组建只是和领域事实

  • 通过连接RS items和KB entities，但现有文献使用的均为private KB,无法获取

如何构建RS到KB的连接(Linkage):

• 通过调用离线Freebase search API，用item titles作为queries,检索KB entities

• 如果没有KB entity返回，说明RS item在linkage process被拒绝了

• 如果至少一个KB entity返回，使用一种辅助信息作为准确连接间的一种精确的约束。e.g. IMBD ID,artist name and writer name are used for the three domains of movie, music and bookrespectively

Linkage ratio和哪些因素可能有关？

• KB的构建经常包含人力工作，无法忽视人类注意力的偏差

• 流行度，成正相关，即item越流行，Linkage ratio可能越高

• 新颖度，成负相关，即item发布时间越晚，Linkage ratio可能越低

KB4Rec数据集的使用，选用哪些推荐算法进行试验，性能指标选取：

• 指标：

  *   MRR：mean reciprocal rank
  
  *   HR: hit ratio
  
  *   NDCG: normalized discounte cumulative gain
  

• 推荐算法：

  • 与文献【7】相似，采用last-item recommendation task for evaluation

  • 算法：

    *   BPR
    
    *   SVDFeature
    
    *   mCKE:第一篇文献提出利用KB和其他信息来提高推荐性能
    
    *   KSR：Knowledge-enhanced Sequential Recommender,利用KB信息提高语义表示memory networks的性能【结果最好】
    

KB4Rec数据集地址