KGAT: Knowledge Graph Attention Network for Recommendation

摘要

推荐算法引入side info，传统算法（FM）假设每个交互都是一个带有side info 编码的独立实例，这些方法不足以从用户的集体行为中提取出协作信号。本文提出KGAT，显式地构造KG图中地高阶连通性。

1 引言

CF模型无法引入side info。SL模型引入side info的范式：将side info、uid，iid转化成特征向量，将他们送入监督模型来预测得分，比如FM、NFM、WideDeep、xDeepFM。
SL模型将一条交互建模成单独的数据样本，没有考虑交互之间的关系。

由图一可见CF和基于特征的SL模型的局限性，对于target user u1来说：

• CF模型关注历史行为的相似用户，也就是也看了i1的用户，u4
• 基于特征的SL模型，关注于和i1有相似特征（e1）的item，i2
• 忽略了黄色区域和灰色区域

为了解决SL模型的局限性，解决方法为考虑item side info的图形式（将KG和交互图混合，CKG，collaborative knowledge graph），这样就可以探索高阶连通性，就可以到达黄色区域和灰色区域。挑战有：阶数越高，计算复杂度高；高阶关系的加权和选择问题
CKG的研究有基于path的，基于正则化的，各有缺点；本文的KGAT使用GNN，高效、显式的和端到端的方式来对高阶连通性建模。

2 任务定义

• 用户-物品二部图
• 知识图谱，注意关系集合R包含正方向和逆方向（比如 电影被xx主演；xx主演电影；这是两个关系）
• 协调知识图，CKE，将用户行为和物品知识整合成一个统一关系图，将交互看作一种关系，整合两个图

任务描述：输入CKE；输出u对i地预测得分

• 高阶连通性，CF方法建立在用户之间的行为相似性之上，行为相似性就可以用高阶连通性来表示
  不同于CF模型，SL模型致力于基于属性的连通性，比如u1可能采用i2，i2和i1有相同的导演；但是SL模型不能展示跨field和相关实例的关系，比如：
  

3 模型

3.1 嵌入层

使用一种知识图嵌入模型——TransR，学习到实体和关系的表示。每个关系有一个转化矩阵 $W_r$