复现KGAT: Knowledge Graph Attention Network for Recommendation（三）

复现KGAT: Knowledge Graph Attention Network for Recommendation（三）

昨天写了复现KGAT系列的第二篇文章，准确的说那片文章里第二部分是昨天写的，第三部分是今天写的。如果再连着写下去就太长了，不如正好把第四部分单拿出来写，正好第四部分是实验部分，也是我复现论文需要关注的主要部分。
能挤出很多时间来复现论文真的很不容易，估计今天写完明天就没有什么时间来继续写了，也不知道再写又会是什么时候了。

---

4.EXPERIMENTS

我们在三个真实数据集上估计了我们提出的方法，特别是嵌入传播层，我们的目标是回答以下三个研究问题：
RQ1：KGAT与最先进的知识感知推荐方法比表现如何？
RQ2：不同的内容（比如说，知识图谱嵌入（konwledge graph embedding），注意力机制（attention mechanism）和聚集器选择（aggregator selection））对KGAT的影响如何？
RQ3：KGAT可以为用户对于物品的的偏好做出合理的解释吗？

4.1 Dataset Description

为了评估KGAT的效果，我们利用了三个分支数据集：Amazon-book，Last-FM和Yelp2018，这三个数据集都是公开可获得的并且在域、大小和稀疏程度上都是不同的。
Amazon-book： Amazon-review是被产品推荐广泛使用的数据集。我们从这个集合中选取了Amazon-book数据集。为了保证数据集的质量，我们使用了10-core的设置，即保留至少有10个交互的用户和物品。
Last-FM： 这是音乐收听数据集，收集自Last.fm 在线音乐系统。其中，tracks被视作items。特别的，我们使用时间从2015.1 到2015. 6期间的数据子集。同样的，我们使用10-core的设置保证数据质量。
Yelp2018： 这个数据集收集自2018版的黄色挑战。因此我们将当地的商业，比如说餐馆和酒吧看作是item。同样的，我们使用了10-core设置来确保用户和物品有最少10词交互。

除了用户和物品的交互，我们需要对每个数据集构造物品的知识。对于Amazon-book和Last-fm，如果有映射，我们通过标题匹配将项目映射到freebase entity（自由基础实体）。特别的，我们考虑与和物品对齐的实体直接相关的三元组，无论他是subject还是object。和仅提供物品一跳实体的知识感知数据集不同，我们将包括两跳邻居的实体的三元组也考虑在内。对于Yelp2018，我们从当地商业的信息网络（比如说，分类，地点和属性）中提取物品的知识作为KG数据。为了确保KG的质量，我们通过过滤掉不常用的实体（在两个数据集中都低于10）和保持至少在50个三元组中出现的关系来处理三个KG部分。我们总结了三个数据集的的特性（见下表）然后将数据集发布在了t https://github.com/xiangwang1223/knowledge_graph_attention_network.这个网址上。