复现KGAT: Knowledge Graph Attention Network for Recommendation（二）

复现KGAT: Knowledge Graph Attention Network for Recommendation（二）

事情真是多啊。上篇博客8号写的，隔了3天才写第二篇。读篇文章也真是不容易啊，虽然读这篇文章已经算是我重要且紧急的任务了，但是还有很多事情不得不做，只能是抓紧时间再抓紧时间了。

2.TASK FORMULATION

文章首先介绍了CKG（collaborative knowledge graph，就是figure 1介绍的结构），还强调了节点时间的high-order关系以及组成关系。

User-Item bipartite Graph（用户-物品二部图）：推荐场景下，我们常常有历史用户-物品的交互信息（比如说，购买记录，点击记录）。我们将这种交互数据用用户-物品二部图表示出来，二部图G1定义为：

其中U是用户集，I是项目集，yui为1表示用户u和物品i有交互，yui=0表示用户u和i无交互。

Knowlegde Graph(知识图谱)：除了交互信息，我们还有物品的side information，比如物品属性和外部知识。通常，这种辅助数据由真实世界实体和他们之间的关系去表示一个物品。比如，一部电影可以由他的导演、演员和类型来描述。我们用知识图谱G2来表示side information，这个知识图谱是由subject-property（属性）-object三元组构成的有向图。在形式上，三元组可以表示为：

每个三元组描述了从头实体h到尾实体t的关系r。比如说从休杰克曼到电影Logan有出演的关系，从Logan到休杰克曼有被出演的关系，这两种关系是相反的。Moreover，我们建立了一个物品实体集：

其中i、e都是物品，且在这个实体集中的i、e表示可以在KG中相互对齐。

Collaborative Knowledge Graph（协同知识图谱）：CKG是将用户的行为和物品的信息编码成一个整体的关系图。首先将用户行为表示为一个三元组：

其中yui=1表示用户u和物品i之间额外的交互关系。然后基于item-entity alignment set，用户-物品图可以被集成为如下的图：

Task Description：这篇文章中需要被解决的推荐任务为：
1.输入：CKG G包括了用户-物品的二分图G1和知识图谱G2。
2.输出：预测函数，可以预测用户u会采用物品i的可能性yui^。
High-Order Connectivity：探索high-order connectivity对于高质量的推荐有很大的重要性。形式上将两个节点间的L-order 连接定义为一个多跳路径：

其中，
（el-1,rl,el）是第l个三元组，L是序列的长度。为了推断用户偏好ÿ