【论文笔记】KGAT: Knowledge Graph Attention Network for Recommendation

原文作者：Xiang Wang，Xiangnan He，Yixin Cao，Meng Liu，Tat-Seng Chua

原文标题：KGAT: Knowledge Graph Attention Network for Recommendation

原文来源：KDD 2019

原文链接：https://arxiv.org/abs/1905.07854

本文提出了一种新的推荐方法KGAT，能够根据实体间的高阶关系特征建模，并具有一定的可解释性。以端到端方式对KG的高阶连通性进行了显式建模。递归地从节点的邻居(可以是用户、项目或属性)传播嵌入，并使用注意机制来区分邻居的重要性。

KGAT: Knowledge Graph Attention Network for Recommendation

问题定义

1）Collaborative Knowledge Graph(CKG)

作者首先建立一个item-entity对齐集合 A = { ( i , e ) ∣ i ∈ I , e ∈ E } \mathcal{A = \{(}i,e) \mid i \in I,e\mathcal{\in E\}} A={ (i,e)∣i∈I,e∈E}，其中$(i,e)$表示item在KG中与一个实体对齐。CKG将用户行为和item知识编码为统一的关系图谱。用户行为表示为三元组$\left(u,\text{Interact},i\right)$，$y_{\text{ui}}=1$表示用户和item之间有一个额外的关系$\text{Interact}$。那么整个知识图谱为：$\mathcal{G}=\{\left(h,r,t\right)\mid h,t\in {\mathcal{E}}^{{}^{\prime }},r\in {\mathcal{R}}^{{}^{\prime }}\},{\mathcal{E}}^{{}^{\prime }}=\mathcal{E}\cup \mathcal{U}，{\mathcal{R}}^{{}^{\prime }}=\mathcal{R}\cup \text{Interact}$。

2）任务描述

输入CKG，包括user-item二分图，知识图谱。

输出能够预测用户u与item i交互的概率${\hat{y}}_{\text{ui}}$的预测函数。

3）高阶连通性

作者认为探索高阶连通性对于高质量的推荐是必不可少的。节点间的高阶连通性定义为多跳的关系路径：$e_0\stackrel{r_1}{⟶}{e}_1⟶$