RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems阅读笔记

Graph for Recommender Systems阅读笔记)

一些絮叨

大家好，我是某不知名大学的不知名硕士，目前主要从事图神经网络方面的研究。首先声明一下，这是迄今为止，本人写第一篇博文，因此，有任何理解不到位或行文逻辑等各种问题，希望大家能够批评指正，本人会在日后的写作中多加注意。另外，本人写博文的目的在于为自己建立便捷的知识索引，同时也希望能对同行有所帮助。

Motivation

在推荐系统中，通常通过引入边信息（Social Network，Item Attributes）来解决冷启动和稀疏问题。这边文章引入**Knowledge Graph（KG）**作为边信息，并克服了embedding-based和path-based在KG上的局限，提出了RippleNet。该模型类似于物理中的点扩散过程，具体来说，就是根据user的历史行为在KG上进行点扩散，详细的扩散策略会在模型中进行介绍。这里有一点需要指出，paper中提到的冷启动可能不是指的user冷启动。

Model

模型简单有效也是这个工作的一大亮点吧。该模型是通过学出user以及item的embedding来进行推荐的，下面来介绍下RippleNet。
想像一个雨天，平静的水面上荡起涟漪。前面的KG就是这里的水面，user历史行为就是雨滴。RippleNet就是来model这些涟漪如何传播。user的历史行为指的是点击、观看等，即对应user-item矩阵中value为1的元素。为了更加直观的解释model，我们以索引为0的user举例。首先，不妨定义user-item矩阵为$Y\in {\mathbb{R}}^{d_u\times d_v}$，则索引为0的user对应着$Y_0$