【论文笔记】Explainable Reasoning over Knowledge Graphs for Recommendation

原文作者：Xiang Wang，Dingxian Wang，Canran Xu, Xiangnan He, Yixin Cao,
Tat-Seng Chua

原文标题：Explainable Reasoning over Knowledge Graphs for Recommendation

原文来源：AAAI 2019

原文链接：https://ojs.aaai.org//index.php/AAAI/article/view/4470

Explainable Reasoning over Knowledge Graphs for Recommendation

近些年，通过附加信息刻画用户-物品交互特征，为推荐系统赋予更好的可解释性成为了一个较热的研究课题。

通过知识图谱，用户-物品间的交互可以通过知识图谱找到的关联路径作解释。这类关联路径不仅表述了知识图谱中实体和关系的语义，还能够帮助我们理解用户的兴趣偏好，赋予推荐系统推理能力和可解释性。该论文提出了一种基于循环神经网络的方法KPRN，建模用户-物品对在知识图谱中存在的关联路径，为用户提供可解释的推荐。

问题定义

传统知识图谱可被定义为在已知实体和关系集合上的有向图：

KG = { ( h , r , t ) ∣ h , t ∈ E , r ∈ R } \mathcal{\text{KG}} = \{(h,r,t) \mid h,t\mathcal{\in E,}r\mathcal{\in R\}} KG={ (h,r,t)∣h,t∈E,r∈R}

其中，$\mathcal{E}$是实体集合，$\mathcal{R}$是关系集合。三元组$(h,r,t)$则表示从头实体$h$到尾实体$t$有关系$r$这样的事实。

U = { u t } t = 1 M \mathcal{U =}\left\{ u_{t} \right\}_{t = 1}^{M} U={ ut​}t=1M​和 I = { i t } t = 1 N \mathcal{I =}\left\{ i_{t} \right\}_{t = 1}^{N} I={ it​}t=1N​分别表示用户集和item集，M和N是用户和item的数量。使用一个三元组$\tau =\left(u,\text{interact},i\right)$表示用户和item之间的交互，将用户与实体合并，关系与交互合并，得到一个新的知识图谱。

G = { ( h , r , t ) ∣ h , t ∈ E ′ , r ∈ R ′ } \mathcal{G} = \{(h,r,t) \mid h,t \in \mathcal{E}^{'},r \in \mathcal{R}^{'}\} G={ (h,r,t)∣h,t∈E′,r∈R′}

其中，${\mathcal{E}}^{{}^{\prime }}=\mathcal{E}\cup \mathcal{U}$，${\mathcal{R}}^{{}^{\prime }}=\mathcal{R}\cup \text{{}\text{interact}\text{}}$。

给定用户$u$，目标item
$i$，以及$\left(u,i\right)$间的路径集合 P ( u , i ) = { p 1 , p 2 , ⋯   , p K } \mathcal{P(}u,i) = \left\{ p_{1},p_{2},\cdots,p_{K} \right\} P(u,i)={ p1​,p2​,⋯,pK​},
对用户与item发生交互的可能性做估计(CTR)：

$${\hat{y}}_{\text{ui}}=f^{}$$