本文主要是介绍基于电商常识图谱的知识表示与应用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
公众号 系统之神与我同在
1.电商常识图谱的背景：
电商知识图谱要求用一套数据体系联系用户和商品，通过定义拆解用户需求和多粒度的商品理解，来提升搜索与推荐的匹配效率与体验。
一个电商知识图谱中包括许多常识关系：
·isA
·搭配
·不同类型之间的映射关系：风格对应款式、时间需要款式、场景需要品类…
2.电商常识挖掘的方法：
电商常识挖掘采用的方法是一种阅读理解式的关系抽取。对于一个问题：什么样的连衣裙是减龄的? 通过阅读理解的方式，经由Content：(淘宝攻略)…娃娃领连衣裙穿起来很减龄, 假两件的款型为衣衣增添个性 …，抽取出查询：<风格: 减龄，关系: 风格对应领型，领型: 娃娃领，限制: 品类-连衣裙>。
采用阅读理解的方式进行抽取具有以下几个特点：
·在question中将品类限制和头实体（概念）进行联合encode
·充分利用如今取得极大进展的机器阅读理解技术
·生成的question可以天然地提供给众包和外包进行标注，提高知识审核的效率
电商常识阅读理解数据集包含65k个问题，420k条作为内容的产品描述，95k个不同的答案，举例如下：
在该数据集上不同的模型表现为：
3.电商常识的表示方法
电商常识表示的难点在于：
1.常识图谱关系稀疏，比事实类图谱密度低约100倍，常用的知识表示模型对稀疏图谱的表征效果不佳。
2.电商图谱特有的数据结构，如品类树型结构，品类约束下的n-ary结构（四元组）等，常用的三元组模型不适合直接套用。
对于常识图谱关系稀疏的问题，通过如下两种方法来解决：
·引入外部语义增强：BERT
·结构特征增强：Graph Embedding
对于电商图谱特有的数据结构：
·针对不同数据结构单独建模，多任务共享embedding联合训练
·树型结构: Poincare Embedding
·n-ary结构：品类映射Decoder
在进行实验时，为了保证实验的公平性，采取了如下做法：
·增加虚拟节点和虚拟边，将一条四元组拆分成语义等价的七条三元组（1+6）
·保持四元组的必要性：信息冗余
在三个方面链接实验的预测结果:
·整体性能
·分数据结构的性能
·虚拟边的帮助
实验结果如下：
4.电商常识的应用方法
拿电商常识在淘宝推荐上的应用来举例：
1.解决query和title之间的语义存在gap的问题:query中经常会出现偏口语、非正式（12% in Taobao）的语言，而title则是相对正式和标准的商家语言。
电商常识则可以进行Query改写：直接利用高准电商常识关系数据，将偏口语非正式的query词改写成商家语言，得以召回相关的商品。例如Query: 漏肚子连衣裙，Rewrite Query: 露脐连衣裙。
2.为模型提供识别搜索相关性的能力：query中口语化的表述和title中偏标准的描述之间的映射可以被电商常识关系关联起来；将知识表示算法学到的表征隐式建模到相关性模型中。
3.推荐商品召回：通过电商常识关系建模不同表述和维度的side info，使得side info语义相关的商品在向量空间的距离更近。电商常识则可以将能链接到常识图谱中的side info对应的KGE表征建模到图表征学习模型中。
这篇关于基于电商常识图谱的知识表示与应用的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
