使用知识图进行推荐互动背后的学习意图

阅读笔记

文章： Learning Intents behind Interactions with Knowledge Graph for Recommendation

动机：

最近的一个技术趋势是开发基于图神经网络(gnn)的端到端模型。然而，现有的基于gnn的模型在关系建模中是粗粒度的，(1)未能从细粒度的意图中识别用户-项目关系，并且(2)未能利用关系依赖来保持远程连接的语义。

在本研究中，我们利用辅助物品的知识来探讨用户物品交互背后的意图，并提出一个新的模型——基于知识图的意图网络(KGIN)。

从技术上讲，我们将每个意图建模为KG关系的细心组合，鼓励不同意图的独立性，以获得更好的模型能力和可解释性。此外，我们设计了一种新的GNN信息聚合方案，递归地集成了远程连接的关系序列(即关系路径)。

从技术上讲，意图嵌入是一种注意的关系嵌入组合，其中重要的关系被赋予较大的归因得分。

用户意图不同推荐结果不同：
用于$u_1$，通过意图$p_1$，获得推荐结果$v_1$，通过意图$p_2$，获得推荐结果$v_1$。

关系路径：

方法：

提出的基于知识图的意图网络(KGIN)。图3显示了KGIN的工作流程。它由两个关键部分组成:(1)用户意图建模，利用多个潜在意图来描述用户-物品关系，并将每个意图定义为KG关系的细心组合，同时鼓励不同意图相互独立;(2)关系路径感知聚合，强调了远程连通性中的关系依赖，从而保持了关系路径的整体语义。

1，用户意图建模：
意图独立性：（1）利用互信息机制。最小化两个意图之间的互信息，实现意图之间的独立性。（2）距离相关性。测量任何两个变量的线性和非线性关联，当且仅当这些变量是独立的，其系数为零。

2，关系路径聚合
Node-based聚合方案的两个问题：（1）聚集器专注于结合邻域信息，而没有区分它们来自哪条路径。基于节点的聚合器主要通过衰减因子对item的表示进行变换和缩放，而没有考虑不同通道的影响。因此，它们不足以在表示中保存结构信息。（2）目前基于节点的聚合器通常通过注意网络在衰减因子中建模KG关系，以控制有多少信息从邻居处传播出去。这限制了KG关系对节点表示的贡献。

假设具有相似意图的用户会表现出对物品的相似偏好。