KGAT: Knowledge Graph Attention Network forRecommendation

理解GAT

GAT 采用了 Attention 机制，可以为不同节点分配不同权重

假设 Graph 包含 N 个节点，每个节点的特征向量为 hi，维度是 F，如下所示

对节点特征向量 h 进行线性变换，可以得到新的特征向量 h'i，维度是 F'，如下所示，W 为线性变换的矩阵

 节点 j 是节点 i 的邻居，则可以使用 Attention 机制计算节点 j 对于节点 i 的重要性，即 Attention Score：

GAT 具体的 Attention 做法如下，把节点 i、j 的特征向量 h'i、h'j 拼接在一起，然后和一个 2F' 维的向量 a 计算内积。激活函数采用 LeakyReLU，公式如下：

 Attention 如下图所示：

经过 Attention 之后节点 i 的特征向量如下：

GAT 也可以采用 Multi-Head Attention，即多个 Attention，如果有 K 个 Attention，则需要把 K 个 Attention 生成的向量拼接在一起，但是如果是最后一层，则 K 个 Attention 的输出不进行拼接，而是求平均。

GAT总结：

1.GAT 不依赖于完整的图结构，只依赖于边。

2.采用 Attention 机制，可以为不同的邻居节点分配不同的权重。

一、论文概要

协同过滤CF算法利用用户的行为信息进行偏好预测，该方法在推荐系统里有较好的应用。但是CF算法不能对其他信息（比如商品的属性、用户信息、上文下）进行建模，而且在