图+推荐：paper总结比较

模型	思路	类别（是否基于传统KG算法）	理论/应用以及应用场景	优缺点	task	可能的应用方向
metapath2vec	随机游走+skipgram	异构图	理论型	缺点：效果一般，onehot输入简单粗暴，将不同类型节点映射到同一向量空间显得不太合理	分类	item2item商品推荐
EGES	随机游走+skipgram+side info	异构图	应用;双十一产品召回	同上，方法较为原始，未考虑用户特征	同上	商品推荐
Metapath-guided Heterogeneous Graph Neural Network metapath	更新节点信息	异构图	应用；搜索词语自动填充	优点：利用了user信息，意图识别进行搜索词填充方向较为新颖	分类	意图识别
HAN	metapath + attention	异构图	理论型	优点：分两步聚合（1.单个metapath内聚合 2.所有metapath聚合）；采用了attention。 缺点：需要自己设定规则构建metapath	分类	基于user和item的商品推荐
HetGNN	编码不同类型节点属性信息+聚类同邻接类节点+聚合不同邻接类节点	异构图	理论型	优点：模型整体思路流畅自然，不停类型属性分别用不同方式编码，先解决异质点再解决异构关系，用带重启的随机游走策略采样强关联的异质邻居。缺点：用Bi-LSTM这种时序模型但是给输入随机排序，这个编码方式上可解释性差	无监督预测邻接节点	分类/聚类/推荐/链路预测（原论文都进行了对比实验）/或许可用于冷启动和补全现有KG
GTN	边的邻接矩阵相乘生成新的矩阵，再组合形成元路径，最后再在元路径图上进行GCN	异构图	理论型	优点：模型可以选择即元路径，无需人工设定；可以生成新图。缺点：对不同类型节点处理较为简单粗暴	节点分类	商品推荐
MKR	推荐部分点击率的预估值作为输出，知识图谱特征学习部分预测的尾节点作为输出，两个部分通过共享特征模块进行交替学习	KG Based	理论型	优点：多任务+交替式学习，物品向量和实体向量是对同一对象的两种描述，信息交叉共享让两部分获得来自对方的额外信息，弥补信息稀疏性	两个部分损失函数之和（ctr预估模型和KG传统模型）	商品推荐