#Paper Reading# RippleNet: Propagating User Preferences on the KG for Recommender Systems

论文题目: RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems
论文地址: https://dl.acm.org/citation.cfm?id=3271739
论文发表于: CIKM 2018（CCF B类会议）

论文大体内容：
本文主要介绍了一种通过引入Knowledge Graph（KG）信息到推荐系统的模型RippleNet，并给出模型Loss function、更新公式以及伪代码。该模型在三个真实数据集上都取得了state-of-art的成绩。

1. 引入KG的优势：
①可以引入item之间的语义关系信息；
②KG包含多种类型的关系信息，有利于推荐结果的多样性；
③推荐结果可解释性；

2. 引入KG的方式：
①embedding-based方法，将KG信息作为embedding引入推荐系统；
②path-based方法，将KG信息的路径关系引入推荐系统，但是需要人工设计元路径；

3. 本文RippleNet主要的创新点是首次合并了两种引入KG的方式，既用上了embedding表示，也能自动探索路径，并在三个真实数据集上取得AUC 2%的绝对提升；

4. RippleNet模型的整体架构如下，通过用户的历史行为作为Seed，然后不断通过像雨点的ripple去扩散，最后用user embedding和item embedding来计算两者的probability；

5. 模型伪代码如下：

实验
6. Dataset

7. Baseline

8. 评测方法
①AUC；
②P@K，R@K，F1@K；

9. 实验结果

 

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！