KGAT: Knowledge Graph Attention Network for Recommendation

KGAT: Knowledge Graph Attention Network forRecommendation（ SIGKDD）

ABSTRACT

为了提供更准确、多样化和可解释的推荐，必须超越对用户-项目交互的建模，并考虑到用户和项目侧的辅助信息。
提出了一种新的方法，称为知识图注意网络(KGAT)，它显式地以端到端的方式模拟KG中的高阶连接性。 它递归地从节点的邻居（可以是用户、项或属性）传播嵌入来细化节点的嵌入，并使用注意机制来区分邻居的重要性。
KGAT优于现有的基于KG的推荐方法，现有的方法要么通过提取路径来利用高阶关系，要么用正则化隐式建模它们。
进一步的研究验证了嵌入传播用于高阶关系建模的有效性和注意机制带来的可解释性好处。

INTRODUCTION

提出了一种新的知识图注意网络(KGAT)方法，该方法配备了两种设计，以相应地解决高阶关系建模中的挑战。1） 递归嵌入传播，它根据节点的邻居嵌入更新节点的嵌入，并递归地执行这种嵌入传播以捕获高阶连接性。2） 基于注意的聚集，它利用神经注意机制来学习每个邻居在传播过程中的权重，从而级联传播的注意权重揭示高阶连通性的重要性。
KGAT在概念上优于现有的方法，因为：1)与基于路径的方法相比，它避免了实现路径的劳动密集型过程，从而更有效、更方便。2）与基于正则化的方法相比，它直接将高阶关系因素纳入预测模型，因此所有相关参数都是为了优化推荐的目标。
这项工作的贡献概述如下：
（1）强调了显式建模协作知识图中高阶关系的重要性，以提供更好的项目侧信息推荐。
（2） 本文提出了一种基于图神经网络框架的高阶关系建模方法——KGAT
（3） 在三个公共基准数据集上进行了广泛的实验，证明了KGAT的有效性和它在理解高阶关系重要性方面的可解释性

TASK FORMULATION

METHODOLOGY

模型框架由三个主要组成部分组成：
1） 嵌入层，通过保持CKG的结构，将每个节点参数化为向量；
2） 注意嵌入传播层，它递归地从节点的邻居传播嵌入以更新其表示，并使用知识感知的注意机制来学习每个邻居在传播过程中权重 ；
3） 预测层，它从所有传播层聚合用户和项目的表示，并输出预测的匹配分数。