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)