[KG] Learning Intents behind Interactions with Knowledge Graph for Recommendation，WWW21

本文首发于公众号：code路漫漫，欢迎关注

Info

原文：Learning Intents behind Interactions with Knowledge Graph for Recommendation
code：https://github.com/huangtinglin/Knowledge_Graph_based_Intent_Network

WWW21的一篇文章
文章的工作主要是两个部分：
引入了intent这个概念，挖掘更细粒度的用户物品交互行为，user-item变为user-intent-item
引入intent之后，在信息聚合方法做了改进，从KG出发最后聚合到user embedding和item embedding
官方公布的code，数据集也是公开的
KG是在数据集上抽取生成的，映射到freebase中

1 Motivation

论文提出了以往工作的两个缺陷
1 不能挖掘细粒度的用户物品交互模式
2 信息聚合时，忽略了路径所携带的信息

论文的解决方法：
1 引入intent，把传统的user-item交互模式变为user-intent-item交互模式，考虑到现实世界中每个用户是在intent的驱使下与物品进行交互

右图是user在intent的驱使下与物品进行交互
2 通过引入intent，我们从KG出发聚合信息，区别于以往的node base信息聚合方法，能够携带更丰富的信息

论文认为虽然intent可以作为latent vector存在，但是它们的语义过于晦涩难懂，因此引入KG辅助

2 Contribution

论文的贡献

1. 使用KG去揭示用户交互背后的意图
2. 提出Knowledge Graph-based Intent Network（KGIN）模型，考虑意图细粒度的用户物品关系和长期关系路径的语义
3. 数据集显示SOTA

3 Solution

先看下模型图

大概是以下步骤

意图表征

用户表征

item 的表征

最后是信息聚合，得到最终的user、item表示

最后就是预测了，由于符号比较多，这里先说明一下符号的意义

整篇论文一共有四个embedding，其中relation embedding是直接生成的，其它的embedding都是经过聚合而来

3.1 intent embedding

intent是论文里面引入的概念，它的embedding是在KG上聚合relation embedding得来的

聚合方法如下


使用了注意力机制

另外论文认为intent本身的信息量足够，不需要和其它intent交互，因此intent之间的间隔应该足够大。为了达到最大化intent独立性的目的，论文将在目标函数部分引入关于intent的loss
这个loss函数论文中选取的是互信息

两个变量的互信息越小，它们的相关性也就越小

3.2 user embedding

首先是低阶的user embedding （first order）

具体可以写成

还使用了注意力机制

然后我们堆叠 L 层，得到高阶信息

最终的user embedding表示是把每层的结果合起来

3.3 item embedding

item embedding的构造过程和user embedding大同小异

低阶信息


高阶信息

可以转化为下式

最终的embedding

3.4 预测

得分就是把最终的 embedding 相乘

损失函数的构成：

---

下面这张图片展示了论文信息聚合的过程

4 Evaluation

数据集

intent 的数量统一设置为 4

实验结果

消融实验

可解释性

5 Summarization

论文提出的两个问题

1. 没有考虑细粒度的用户物品关系
2. 信息聚合时没有使用路径携带的信息

解决方法：

1. 引入 intent 这个概念，user => item 变为 user => intent => item
   考虑了更细致的用户物品关系
2. 由于 intent 是在 KG上生成的，而 item embedding 中使用了 intent embedding，信息聚合时使用了从KG上得到的信息