CKAN: 面向推荐系统的协同知识感知注意网络

核心问题：

现有的基于知识库的推荐方法主要关注如何有效地对知识库中的知识关联进行编码，而不突出用户-物品交互中潜在的重要的协同信号

就是说之前的基于KG的RS比较重视知识图谱内部的知识关联，但是忽略了用户和物品之间潜在的一些相互作用

论文是怎么处理协同信号的呢？或者说协同信号指的是什么？

user的嵌入表示以其历史交互的items替代，items的嵌入表示以其自身加上与其交互过的users所交互过的所有items集合替代，这一点和RippleNet是一致的。然后再对应至知识图谱中的实体进行知识关联传播来丰富用户和项目的嵌入表示。

这样的好处在于可以很方便的处理新增加的user，并不需要重新训练新用户的embedding。

解决方法：

通过协同传播对协同信号进行显式编码，并将协同信号与知识关联组合在一起来丰富用户和物品的嵌入表示，在传播过程中选择邻居使用了知识感知注意机制分配不同的权制，然后聚合来自不同传播层的用户和物品的表示作为预测层的输入，通过表征的内积来预测用户对该物品的偏好得分，即为用户点击物品的概率

端到端网络，由异构传播层、知识感知注意嵌入层和预测层三个主要部件构成：

（1）第一层是异构传播层，分为协同传播和知识图谱传播

先在协同传播中定义初始传播集再在知识图谱中进行链接传播，协作传播用于显式地将关键的协作信号编码为用户和项目的表示形式。知识图传播沿着KG中的链接传播知识关联，以递归地展开用户和项目的表示，并使用补充的边信息

首先定义一个用户u的初始实体集：使用与用户历史交互过的items对应在知识图谱中的entity set 作为表示用户的初始实体集&