RippleNet：在知识图谱上传播用户偏好以用于推荐系统

为了解决协同过滤中的稀疏性和冷启动问题，研究人员通常利用辅助信息（如社交网络或项目属性）来提高推荐性能。本文将知识图谱视为辅助信息的来源。为了克服现有基于嵌入和基于路径的知识图谱感知推荐方法的局限性，我们提出了一种端到端框架——Ripple Network（涟漪网络），该框架能够自然地将知识图谱融入推荐系统中。类似于水面上实际的涟漪传播，Ripple Network 通过自动且迭代地沿知识图谱中的链接扩展用户的潜在兴趣，激发用户偏好在知识实体集上的传播。由用户历史点击项目激活的多个“涟漪”相互叠加，形成用户对候选项目的偏好分布，可用于预测最终点击概率。通过在真实世界数据集上进行广泛的实验，我们证明了 Ripple Network 在多种场景下（包括电影、图书和新闻推荐）相比几种最先进的基线方法取得了显著的改进。