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）