推荐系统论文：DKN Deep Knowledge-Aware Network for News Recommendation

概述

这是一篇结合了知识的推荐系统。
本质上是对新闻标题的实体关联知识图谱网络，并对实体进行知识表示（向量）。
通过构建原始word embedding、知识实体embedding、上下知识embedding三个view，并使用CNN进行训练，最终得到了融合知识的新闻embedding，最后通过一个注意力机制来与用户的新闻浏览历史进行相似度比较。

模型实现

从宏观上看，该模型分为用户建模以及新闻表示两个部分，在得到了用户表示以及新闻表示之后，通过将两者向量进行连接，输入一个深度神经网络，得到点击率的预测。
其结构与Neural News Recommendation with Attentive Multi-View Learning十分相似，不同点以及核心点则在于news encoder的实现，在此处即为KCNN。
KCNN：
KCNN的目的是对新闻进行融合知识的编码，输入为三层，对应于绿色框的下三层。
第一层输入为title的词嵌入，即word embedding。
第二层输入为entity的知识表示，即对于title中的实体，获取其知识表示：

具体做法为：对于所有的新闻标题，标识出其中的实体，并通过实体链指得到各个实体的知识图谱表示，接着对所有的实体构建知识子图，利用构建好的知识子图，即可进行图嵌入，得到各个实体的embedding表示。实体的embedding即可作为第二层的输入，对于没有实体链指的word，在第二层中直接设置向量为零向量。
第三层为上下文相关实体向量，考虑实体在原始知识图谱的上下文信息，即与该实体相连的所有实体，对于相连接的实体，通过词嵌入、求和取平均，即可得到对应实体的上下文实体表示，以此作为第三层的输入，同样，没有实体链指的部分置为零向量。

实体上下文信息计算公式如下：

在获取到了三层输入后，将三层输入视为图像的三个管道，通过使用CNN进行处理，得到卷积结果。利用不同的window size，可以得到不同的卷积结果，将各个结果取max，并拼接在一起，即得到新闻的知识表示。