论文阅读【Knowledge Graph Convolutional Networks for Recommender Systems】

        文章提出KGCN模型，其是一个基于知识图谱的推荐模型，从知识图谱的邻域中进行采样，作为节点的感受野。对感受野进行拓展，也就是邻域节点可以继续拓展，进而扩大感受野，实现多跳。

一、问题描述

        假设有m个用户U={u1,u2,u3,...,um},n个项目V={v1,v2,v3,...,vn}

        定义一个交互矩阵Y，Y的大小为m*n。Yij表示用户ui和项目vj之间的交互，其值为1表示该用户访问或者购买了该项目。

        文章使用的知识图谱G是一个三元组（h,r,t）,h和t是知识图谱的头部和尾部，r是关系。

        模型的输入是交互矩阵Y，知识图谱G。目的是预测用户ui与项目vj交互的概率。

其中 是模型参数

二、KGCN层

        已知项目为vj，定义实体集合N（v）其表示直接连接到vj的其他实体。对于实体集合中的两个实体ei，ej，定义rei，ej表示这两个实体之间的关系。定义函数g表示用户和关系rei，ej

         其表示关系r对用户u的重要性。对于N（v）中的每个实体e，其和项目vj的关系得到r，继而得到r和用户u的关系。将这些得到关系进行正则化，就可以得到实体e，e和项目v的关系r和用户u的关系。

         也就是说，我们得到了项目vj的邻域中相对于目标用户，各个实体的打分。接下来进行聚合

        在知识图谱中，不同项目v其邻域的数量不同，因此对于每个项目都进行同意选取固定数量的邻居。将采样后的邻居集合成为S（v）,利用该集合计算得到v（u）（S（v））。将其和实体v进行聚合。

        文章中提出了三种聚合方式，sum，concat，Neighbor 。

        对于sum方式，其计算方式为：

         w和b是权重和偏置，为非线性函数，比如relu。

算法伪代码：

H是感受野深度，也就是聚合迭代次数。对于给定的项目v，首先利用Ger_Receptive_Field逐层计算感受野M【h】表示经过h层有多少实体。其计算方式为上一层实体和第h层的邻域实体的集合。

         然后开始聚合。先计算上一层的打分情况，将打分情况和实体进行聚合就得到该层的实体。利用最终得到的实体和用户u联合计算概率。

        利用梯度下降进行更新。损失函数：

 J是交叉熵损失函数。P表示负采样。文章中Tu=v:yuv=1。

 users:用户数                 items：项目数       interactions：用户和项目的交互概率

  entities：实体数               relations：有多少种关系        KG：多少个三元组

K:寻找邻居数                d：维度                H：迭代次数     ：损失函数正则化系数

n:学习率                      

三、代码分析

        数据集是movieslens 20m。用户和实体嵌入维度为32，寻找4个邻居，迭代两次。

1. 数据预处理

• main():创建对象，解析参数，确定数据集。构建了三个字典：entity_id2index，relation_id2index，item_index_old2new。
• read_item_index_to_entity_id_file（）：将用户id和项目id更改为连续id。，item_index_old2new[用户id]=i,entity_id2index[]
• convert_rating()得到最终的交互信息
• convert_kg()得到最终的知识图谱三元组

2.加载数据

• loader_data():主函数 返回n_user（用户数）, n_item（项目数）, n_entity（实体数）, n_relation（关系数）, train_data（训练数据）, eval_data（验证数据）, test_data（测试数据）, adj_entity, adj_relation（两个邻接矩阵）。
• load_rating():读取用户和实体的交互信息。利用dataset_split（）方法按照6：2：2的比例划分为训练集，验证集，测试集。统计用户数和实体数（使用set集合）
• dataset_split（）：划分数据集
• load_kg():读取知识图谱。统计实体数，关系数。利用construct_kg（）方法构建知识图谱。利用construct_adj（）构建邻接矩阵。
• construct_kg（）：将头节点和尾节点反别作为key构建字典。对于每个三元组。先以头节点为key，尾节点和关系作为值。再以尾节点为key，头节点和关系作为值。\
• construct_adj():两个矩阵adj_entity，adj_relation。对于一个实体，利用adj_entity得到他的四个邻居，adj_relation得到他的四个邻居和该实体的关系。都是随机选取。

3.模型构建

构建KGCN类：

    def get_initializer():
        return tf.contrib.layers.xavier_initializer()   #  权重初始化 返回初始化权重矩阵

• _parse_args(self, args, adj_entity, adj_relation) 解析参数

• _build_inputs 使用占位符，构建输入。输出初始化的user_indices，item_indices,lables

• _build_model(n_user, n_entity, n_relation)   # 构建模型，在此生成embeddding  user_emb_matrix（用户矩阵，大小：用户数*32）、entity_emb_matrix（实体矩阵，大小：实体书*32）、relation_emb_matrix（关系矩阵，大小：关系数*32）。

利用tf.nn.embedding_lookup初始化user_embeddings

利用get_neighbors获得实体和关系

利用aggregate函数进行聚合

聚合后得到的分数和实体进行聚合，tf.reduce_sum

最后利用sigmoid求概率

• get_neighbors：获取邻居，得到v（u）（S（v）），其中利用aggregate进行聚合

• aggregate（）：聚合实体和关系。利用类Aggregate

4.聚合类

构建Aggregate类