智能教育深度学习推荐系统---1.2.合成推荐算法CKE解读和算法实现1

在推荐系统构建中，人们最常用的方法当属协同过滤推荐算法。协同过滤推荐算法仅需要考虑用户和待推荐条目的交互关系，算法可以处理毫不费力地同时应用于电影推荐、图书推荐、音乐推荐等，而无需研究待推荐具体的内容。但是协同过滤算法在实际应用也存在很多问题，例如对新条目，由于没有与用户的交互数据，所以就无法推荐，并且很多时候，由于某个意外事件会使某个条目遭到爆炒，使热度爆表，但是实际质量并不好，依据这些信息的推荐自然效果不会太好。除了这些小问题之外，协同过滤推荐算法还有一个致命的缺陷，就是如果用户与待推荐条目交互非常稀疏的话，协同过滤推荐算法的性能将急剧恶化，推荐效果非常不理想。
以我们智能教育自适应题库系统为例，我们通常会有数百万道题目，而系统中真实有效地学生，不过就是几万人，而每个学生做的题目也就是几百道题而已，我们假设题库中有100万道题目，我们有10万学生，每个学生做1万道题，这时我们题目与学生的表格为100万行10万列，共有1000亿单元格，学生做过相应题目的单元格数为10亿，从这里可以看出，该表格中仅有1%的表格有数据，这里会遇到严重的数据稀疏的问题。如果直接采用协同过滤推荐算法的话，推荐效果肯定不会很理想。
怎样来解决这一问题呢？我们自然需要求助基于内容的推荐算法。在我们的题库系统中，一道题目通常由三部分组成，首先是题目的文本信息，其次是题目的图像信息，例如数学中的几何题中的图形，最后也是最重要的是我们对每道题目通过人工建立的知识图谱，将该题所涉及的知识点、解题技巧、易错点等，按照知识图谱三元组形式组合起来。如果我们能够有效地利用这些信息，结合学生做题情况，那么就有可能做出一个比协同过滤推荐算法更好的推荐系统。这就是我要向大家介绍的Collaborative Knowledge Base Embedding for Recommender Systems （CKE）算法。
在CKE算法体系下，系统架构如下所示：

如图所示，整个系统架构由数据集层，知识库嵌信层和协同过滤层构成。
在数据集层，包括用户与题目交互数据，以及题目内容相关的知识图谱数据。每道题目的知识图谱包括该题目对应的知识点，以知识图谱有向图形式表示，题目本身的文本信息，还可能包括题目对应的图。
在我知识库嵌入层，首先采用TransR算法将知识图谱中的实体和关系表示为图谱向量，对于题目的文本信息，采用基于贝叶斯的堆叠去噪自动编码机（SDAE）生成文本向量，对于图像信息采用堆叠卷积自动编码机（SCAE）生成图像向量，结合题目自身向量，将这四个向量组合成统一的题目向量，随机确定学生向量，然后根据学生与题目的交互数据，采用协同过滤算法，求出最终的学生向量和题目向量，从而最终产生符合我们要求的推荐结果。
在下一节中，我们将具体向大家分别介绍图谱嵌入、文本嵌入和图像嵌入技术，最后将向大家展示如何通过TensorFlow来实现这些算法。