Knowledge Graph Convolutional Networks for Recommender Systems

Knowledge Graph Convolutional Networks for Recommender Systems

ABSTRACT

背景

为了减轻基于协作过滤的推荐系统的稀疏性和冷启动问题，研究人员和工程师通常收集用户和项目的属性，并设计精细的算法目的是利用这些额外的属性信息。一般来说，属性不是孤立的，而是相互联系的，形成了一个知识图谱（KG）。

创新点

提出了知识图卷积网络（KGCN），这是一个端到端的框架，通过在KG上挖掘它们的相关属性来有效地捕捉项目间的相关性。
为了自动发现KG的高阶结构信息和语义信息，从知识图谱每个实体的邻居采样作为感受野，然后当计算一个给定实体表示的时候，将邻里信息与偏执值结合起来考虑。感受野可以扩展到多个跳，以模拟高阶邻近信息，并捕获用户潜在的远程兴趣。

INTRODUCTION

基于CF用户和项目交互的缺点

协同过滤（C F）是一种传统的推荐技术，它分配基于用户和项目ID的向量表示，然后通过特定的操作对它们的交互进行建模。例如：内积和神经网络。基于CF的方法通常存在用户-项目交互的稀疏性和冷启动问题。
为了解决这些限制，研究人员通常采用特征丰富的场景，用户和项目的属性被用来补偿稀疏性并提高推荐的性能。

与不含KG的方法相比&#