RippleNet 2018 （CIKM） Propagating User Preferences on the Knowledge Graph for Recommender Systems

知识图谱引入推荐系统的优势

• 知识图谱提供了项目之间的语义相关性，可以帮助我们发现潜在的项目之间的关联性，从而提高推荐的准确性。
• 知识图谱由多种关系类型组成，有利于扩展用户的偏好和增加推荐的多样性。
• 知识图谱连接用户的历史交互和目标项目，可以解释推荐。

ripplenet核心思想

核心思想是偏好传播。对于每一个用户，将用户的交互历史作为种子集合，然后用户的偏好沿着知识图谱进行传播。我们类比偏好传播为水面涟漪，多个涟漪叠加在一起形成用户对知识的偏好分布。

• 用户的潜在兴趣由交互历史引发，然后沿着知识图谱由近及远进行传播，距离越远，用户的偏好越弱。实际上是在寻找和用户历史物品相似的物品。
• 本文重点是通过用户的交互历史及知识图谱提炼出用户的特定表示。

简要概述本文工作

王等人提出了ripplenet，这是利用用户偏好传播的一篇文章，将偏好传播类比为水纹涟漪传播，通过用户的交互历史数据逐层传播，最终获得用户的向量表示。给定用户u和物品v，首先获得用户u的一跳相关三元组$S_u^1$，根据一跳三元组中的元素计算与物品v的相似度$$p_i=\mathrm{softmax}\left({\mathbf{v}}^{\mathrm{T}}{\mathbf{R}}_i{\mathbf{h}}_i\right)=\frac{\exp \left({\mathbf{v}}^{\mathrm{T}}{\mathbf{R}}_i{\mathbf{h}}_i\right)}{{\sum }_{(h,r,t)\in {\mathcal{S}}_u^1}\exp \left({\mathbf{v}}^{\mathrm{T}}\mathbf{R}\mathbf{h}\right)}$$
然后获取用户u对物品v的一阶响应
$${\mathbf{o}}_u^1=\sum _{\left(h_i,r_i,t_i\right)\in {\mathcal{S}}_u^1}{p}_i{\mathbf{t}}_i$$，重复上述过程，依次获得k跳的用户表示，最终用户的表示为
$$\mathbf{u}={\mathbf{o}}_u^1+{\mathbf{o}}_u^2+\dots +{\mathbf{o}}_u^H$$
预测评分为
$${\hat{y}}_{uv}=\sigma \left({\mathbf{u}}^{\mathrm{T}}\mathbf{v}\right)$$

trick

1. 水波网络中所谓每一层向外扩散的操作，实际上每一次都会产生笛卡尔乘积数量级的新实体，即数量不断变大。
   • 实际上，知识图谱中大量的实体是下沉实体，只有入链接没有出链接。
   • 在特定领域的场景中，关系可以被限定为特定关系，如电影场景。
   • 实际上，H的取值不会太大，因为距离越远，噪音越多。
   • 操作时需要设定一个值来限定每一次扩散取得新实体的数量上限，每次进行随机采样，从而增加训练数据的覆盖率、

疑惑

1. 按照文章意思，一个用户根据候选物品的不同会有不同的表示吗?即在训练阶段，对于（u，v1）,(u,v2)相同的用户不同的物品，最终会训练出两个用户表示，是这样吗？

可改进的地方

• 本文利用知识图谱提炼了对用户表示，没有提炼对物品的表示。
• 文章用到了注意力机制，但是是手动计算的，而不是网络自己学习的。