给我也整一个

1.motivation2.method3.experiments

1.背景KG Embedding可以建立实体到实体的关联。

1. Motivation融合吸收side-information是缓解CF冷启动问题的一种解决方案，但是真实场景中的物品属性并不是isolated，它们之间彼此相连。简单的拼接或者非线性交互并不能很好的提取到这些属性之间的关联。为此，我们可以将物品和描述物品的属性放在一张知识图谱里面考虑，并且用GCN的方式吸收邻居的表达，并且随着迭代次数的增加，可以提取到用户“长距离”的兴趣，这在普通MLP...

1. Motivation稀疏性问题是推荐系统必须要面临的一个挑战，把side-information包含进基于MF的方法是一个很好的方式。但是物品的属性是一种结构化的数据，用简单的MLP并不能学习到它们之间的关联，从而无法全面的刻画一个物品。本文提出基于知识图谱的embedding来刻画物品的显式信息，这种是从图结构中学到的关联，能够比较充分地学习到物品的表达。本文关于物品的表达有三个部分，...

1. Motivation推荐系统想要提供精准的推荐，必须解决冷启动、用户兴趣稀疏性、观测带来的噪音和稀疏性这些问题。然而传统的MF无力应对这些问题，并且也无法对用户构建一个足够准确的表达。匹配的真正原因和从数据中观察到的信息存在很大的语义沟壑。从这个角度来讲，传统的方法是无法提取深度含义的（比如无法知道用户购买这本书到底是因为喜欢字里行间吐露出来的情感还是仅仅是因为句子）。还有就是冷启动问题...