简单翻译总结一下最近读到的这篇论文~
Abstract
factorization machine(FM)方法：转换为有监督的学习问题，假设每个交互都是一个独立的实例，并对辅助信息进行编码。忽略了实例或项目之间的关系（例如，电影的导演也是另一部电影的演员），不足以从用户的集体行为中提取协作信号。
knowledge graph(KG): 通过将项目与其属性链接来打破独立交互假设。
KG和user-item graph的这种混合结构中，高阶关系（将两个item与一个或多个链接属性连接起来）是成功推荐的关键因素。->提出 Knowledge Graph Attention Network (KGAT)
KGAT以端到端的方式显式地对KG中的高阶连接进行建模。它递归地从节点的邻居（可以是user、item或attr）传播嵌入，以细化节点的嵌入，并使用注意机制来区分邻居的重要性。
Introduction
现在许多研究工作都致力于collaborative filtering(CF)，尽管CF方法具有有效性和通用性，但它无法对诸如项属性、用户配置文件和上下文之类的辅助信息进行建模。在用户和项很少交互的稀疏情况下性能很差。为了集成这些信息，一个常见的范例是将它们与用户id和项的id一起转换为一个通用的特征向量，并将它们输入到一个监督学习（sL）模型中以预测得分。这种推荐的SL范型已经在工业界广泛应用，一些有代表性的模型包括因子分解机（FM）、NFM（神经FM）、广度和深度和xdeepFM等。它们将每个交互建模为一个独立的数据实例，而不考虑它们之间的关系。这使得它们不足以从用户的集体行为中提取基于属性的协作信号。
CF方法关注同样观看了i1,i.e，即u4 and u5的相似用户的历史；而SL方法强调与e1,i.e,i2属性相似的项目。
例如：黄圈内观看同一个人e1导演的其他电影的用户，或灰圈内与e1有其他共同关系的项目。
为了解决基于特征的SL模型的局限性，提出了collaborative knowledge graph (CKG)，如图所示，成功推荐的关键是充分利用CKG中的高阶关系。
尽管如此，要利用这样的高阶信息，挑战是不可忽视的：1）与目标用户具有高阶关系的节点随着阶数的增加而急剧增加，这给模型带来了计算过载；2）高阶关系对预测的贡献是不平等的。大概分为两种类型来解决：path-based，regularization-based
- path-based：提取携带高阶信息的路径，将其输入预测模型。为了处理两个节点之间的大量路径，它们要么应用路径选择算法来选择突出的路径，要么定义元路径模式来约束路径。路径选择的第一阶段对最终性能有很大的影响。
- regularization-based：设计额外的损失项，捕捉KG结构，以正则化推荐者模型学习。例如，KTUP和CFKG通过共享项嵌入共同训练推荐和KG完成这两个任务。这些方法没有直接将高阶关系插入到为推荐而优化的模型中，而是以隐式方式对它们进行编码。由于缺乏显式的建模，既不能保证捕捉到长程关联，也不能解释高阶建模的结果。
KGAT的两种解决挑战的方式：
- 递归嵌入传播：基于邻域的嵌入更新节点的嵌入，并递归地执行这种嵌入。在线性时间复杂度下捕获高阶连接的运算。
- 基于注意的聚合，利用神经注意机制来学习传播过程中每个邻居的权重，这样级联传播的注意权重可以揭示高阶连接的重要性。
与基于路径的方法相比，KGAT避免了路径物化的繁琐过程，使用起来更加方便快捷；
与基于正则化的方法相比，KGAT直接将高阶关系分解到预测模型中，从而得到了所有相关的预测模型。所有相关参数是为优化推荐目标而定制的。
Task 制定
User-Item Bipartite Graph（用户二分图）：G1
u: user i: item U: user集合 I: item集合
u与i之间有交互（购买，点击等），yui = 1， 否则yui = 0
Knowledge Graph（知识图）: G2
项目的附加信息（项目属性，外部知识等）
h: 头实体 t: 尾实体 r:关系
例：（hugh jackman，actor of，logan）陈述了休jackman是电影logan的演员的事实。
项目实体对应的集合A
在KG(G2)中i与e可以对齐。
Collaborative Knowledge Graph（协作知识图）: G
每个用户的行为：(u, Interact, i) yui=1表示u与i之间的附加关系Interact
G = { (h,r,t) | h,t ∈ E′,r ∈ R′ }， E′ =E∪U ， R′ =R∪{Interact}，E′ =E∪U ，R′ =R∪{Interact}
任务描述
- 输入：G：包括用户项二部图G1和知识图G2。
- 输出：预测用户u采用项目i的概率y^ui的预测函数。
来源：CSDN
作者：lisa丶
链接：https://blog.csdn.net/weixin_42341986/article/details/100812000