2021-WWW-Learning Intents behind Interactions with Knowledge Graph for Recommendation

ABSTRACT

将KG运用到RS中,现存的GNN方法在关系建模中是粗粒度的,不能在细粒度的意图粒度上识别user-item关系,也不能利用关系依赖关系来保留远程连接的语义。(后半句怎么理解?)

本文提出KGIN,将每个意图建模成KG关系的注意力结合,鼓励不同意图间的独立性;设计了新的消息聚合机制,递归的整合长距离连通性的关系序列。这些设计能够提取关于用户意图的有用信息,将其编码进用户和物品的表示中。

1 INTRODUCTION

KG运用到RS:KG学习嵌入—路径—GNN

缺点:

  • 用户意图:一个用户有多种意图来驱使user消费不同的物品*(理解:将user-item交互分解到多个意图上,每个意图是不同关系[这个关系还包括高阶连通性?不是简单的非A即B关系]的组合)*

  • 关系路径:目前的大多方法聚合机制是基于节点的,也就是从邻居节点收集信息,没有区分这些节点来自于哪些路径*(目前加的注意力机制和关系相关不能区分吗?)*;现存的方法不能保留由路径承载的关系依赖性和序列举了个例子,还是有些疑问

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值