Knowledge Graph Convolutional Networks for RecommenderSystems

 论文详解

一.和Ripple对比：

        如 RippleNet 同样存在一定的问题：首先其降低了关系 R 的重要性，其直接的 的计算方式难以捕捉关系带来的信息；其次，随着整个 ripple 的范围的扩大，此时加入模型训练的实体会大幅增多，带来巨大的计算负担和冗余。

        原文提出一种融合 KG 特点与图卷积神经网络的模型（KGCN），也就是在计算 KG 中某一个给定的 entity 的表示时，将邻居信息与偏差一并结合进来。主要体现出如下的优势：

• 通过邻居信息的综合，可以更好地捕捉局部邻域结构（local proximity structure）并储存在各 entity 中
• 不同邻居的权重取决于之间的关系和特定的用户 u，可以更好地体现用户的个性化兴趣，以展示 entity 的特点

 二.模型解释

       2.1问题叙述

       本质上还是基于知识图谱的推荐系统，考虑此时已经得到一个构造好的，由 （实体，关系，实体）的三元组组成的知识图谱，记作 g

       给定用户——物品矩阵 （本身是一个稀疏矩阵）和知识图谱  ，判断用户 u 是否会对物品 v 有兴趣，也就是需要学习到一个预测方程：

       这里的参数定义为整个模型的学习参数的集合

       2.2KGCN思想

        思想简述：   

        RippleNet将用户的兴趣在知识图谱上传播来抽取用户特征。那么我们是否可以将物品的特征在知识图谱上传播来抽取物品特征呢？KGCN模型随之产生。KGCN模型如下如所示。以一个物品为起点传播两次的情况如图a所示。每一个物品的特征矢量为与该物品直接相连的外层物品特征矢量的和，如图b所示。并且重点是在相加之前使用了注意力机制，决定注意力权重的因素有用户特征和关系特征，这样让推荐的结果具有个性化。