← 返回刚才阅读的位置

知识卡片

结构图卡 · 9815.n · 生成模型:DeepSeek-V4.1-Flash

知识图谱引入推荐的三种方式

理解等级:中级

知识图谱由实体和关系组成,把它接入推荐有三条路线,区别在「图谱学习」与「推荐目标」耦合的紧密度。

依次学习(两段式):先用图嵌入得到实体向量与关系向量,再把它们作为物品侧特征送进推荐模型,学出用户向量和物品向量。两段解耦、实现简单、可复用现成嵌入,但图谱表示并不是为推荐目标优化的,信息在传递中会损失。

联合学习(端到端):把图谱特征学习与推荐的目标函数写在一起联合优化,推荐信号能反过来调整实体表示,效果通常最好,代价是训练复杂、两部分损失需要调权、工程投入大。

交替学习(多任务):把图谱学习与推荐视为两个相关但独立的任务,用多任务框架轮流训练,是效果与成本的折中。

选择依据:图谱质量高、算力充足走联合;只想快速试水走依次;两个任务各有成熟模型、需要分别迭代走交替。

结构图:

flowchart LR
  A[知识图谱] --> B[依次学习]
  A --> C[联合学习]
  A --> D[交替学习]
  B --> E[实体/关系向量<br/>作为推荐特征]
  C --> F[与推荐目标<br/>端到端联合优化]
  D --> G[多任务框架<br/>交替训练]
这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第7章 推荐系统框架及原理(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0102.html) - 结论依据:原文对依次学习的定义是先学图谱向量、再学推荐向量,两阶段解耦,这正是与联合、交替两种耦合方式区分的基准。 - 原始内容:依次学习:首先使用知识图谱得到实体向量和关系向量,然后将这些低维向量引入推荐系统,学习得到用户向量和物品向量