Contextualized Graph Attention Network for Recommendation with Item Knowledge Graph

Contextualized Graph Attention Network for Recommendation with ItemKnowledge Graph

Abstract

图神经网络(GNN)最近被应用于知识图谱辅助于推荐。 现有基于GNN的方法在KG中显式地建模实体与其局部图形上下文（一阶邻居集）之间的依赖关系，但可能无法有效地捕获其非局部图形上下文（即最相关的高阶邻居集）。本文提出了一种新的推荐框架，即Contextualized GraphAttentionNet work(CGAT)，它可以显式地利用知识图谱中实体的局部和非局部图形上下文信息。尤其是，CGAT通过用户特定的图形注意机制捕获局部（local context）上下文信息，考虑用户对实体的个性化偏好。 此外，CGAT采用偏置随机游走抽样过程提取实体的非局部上下文，并利用递归神经网络(RNN)对实体和它的非局部上下文实体之间的依赖关系进行建模 。 为了捕捉用户对项目的个性化偏好，还开发了一种特定于项目的注意机制来模拟目标项目与从用户的历史行为中提取的上下文项之间的依赖关系。

Introduction

论文中提出知识图谱用于推荐的主要挑战： 怎么有效的探索知识图谱中的结构和实体的关系？
目前比较火的基于GNN的推荐方法可以自动捕获KG的结构和语义信息，它们可能还存在以下不足：
大多数基于GNN的方法缺乏用户对实体特定偏好的建模。
local graph context（the first-order neighbors&#x