KGCN_基于知识图谱的推荐系统（KG+GCN）

Knowledge Graph Convolutional Networks for Recommender Systems
Hongwei Wang, Miao Zhao, Xing Xie, Wenjie Li, Minyi Guo.
In Proceedings of The 2019 Web Conference (WWW 2019)
本文作者源码：https://github.com/hwwang55/KGCN

本人对KGCN的一些代码注释，有兴趣的道友可以看看
https://github.com/Archerxzs/KGCN-notes
文章最后附上本人对代码的解析

Abstract

为了缓解协同过滤的推荐系统的稀疏性和冷启动问题
所以收集用户和项目的属性，并且这些属性不是孤立的，所以就形成了知识图KG
从KG中每个实体的邻居中取样作为它们的邻域，然后在计算给定实体的表示时将邻居信息和偏差结合起来

Introduction

traditional method:Collaborative Filtering(CF)

问题 ：交互矩阵的稀疏性和冷启动
**解决方法：**用用户和项目的属性来弥补稀疏性提高性能 KG
KG的好处：

• 实体间的丰富语义关联帮助挖掘其中的联系，提高精确度
• KG中关系类型丰富，可以合理扩展用户的想去，增加推荐的多样性
• KG具有可解释性

KG的挑战：

• 高维

• 异构

• 常见解决方法：

  • 知识图嵌入（Trans类模型），侧重于严格的语义关联建模，更适合用于KG补全和链接预测
  • 基于meta-path/meta-graph来提取KG结构，但是过于依赖人工设计，现实中很难实现

• 本文解决方法：

  • 自动捕获KG中的高阶结构和语义信息
    GCN->KGCN（计算KG中给定实体表示时，将邻域信息和偏差合并进来）
    优点：
    1、领域聚合，捕获并存储每个实体中的局部邻接结构
    2、根据连接关系和特定用户得分对邻居加权，表现KG语义信息

Problem Formulation

• $M个users$ U={ u1,u2,...,uM}U=\{u_1,u_2,...,u_M\}U={ u1​,u2​,...,uM​}

• $N个items$ V={ v1,v2,...,vN}V=\{v_1,v_2,...,v_N\}V={ v1​,v2​,...,vN​}

• $users-items交互矩阵$ $$Y\in R^{M\times N}=\{\begin{array}{r}{y}_{uv}=1u和v有交互\\ y_{uv}=0u和v无交互\end{array}$$

• $知识图G（实体-关系-实体(h,r,t)）$

  • $h\in \epsilon$，r∈R，t∈$\epsilon$
  • $\epsilon ：KG中的实体集entity；R：KG中的关系集relation$
  • $itemv\in V对应于entitye\in \epsilon$

$目标：给定users-items交互矩阵Y和知识图G，预测useru是否会对之前未交互过的itemv感兴趣$

${\hat{y}}_{uv}$=F(u,v|\Theta,Y,G) $

• ${\hat{y}}_{uv}：useru和itemv交互的概率$
• $\Theta :函数F的模型参数$

KGCN Layer

• $N(v):和v直接相连的entity集合$

• $r_{e_{}}$