KGIN：基于知识图谱交互学习意图的推荐 （WWW 21 ’）

核心问题：

提出了一个intent（意图）的概念，这里将意图定义为KG中关系的注意力组合，是用一种潜在的向量表示，无法在语义上解释。之前的研究都没有考虑在fine-grained的意图层面上考虑用户和物品的交互。我们将对intent进行建模。也不能利用关系依赖性来保持远程连接的语义，指的是常用的信息聚集是基于节点的邻居信息（聚合一跳，二跳，多跳的信息）这样的方式没有考虑信息来自哪一条路径，它不能保存路径所携带的关系依赖项和序列。这里将关系路径视为信息通道，并对每一个通道嵌入一个向量表示。这么做可以将关系依赖性和路径的语义编码到表示中。

其贡献在于：

• 在基于kg的推荐中揭示交互背后的用户意图，以获得更好的模型容量和可解释性
• 在GNN范式下以更细粒度的意图和关系路径的长期语义来考虑用户-项目关系

具体模型：

KGIN（Knowledge Graph-based Intent Network） 

它由两个关键部分组成:(1)用户意图建模，它使用多个潜在意图来描述用户-物品关系，并将每个意图作为KG关系的细心组合，同时鼓励不同意图相互独立;(2)关系路径感知聚合，强调了长期连接中的关系依赖性，从而保持关系路径的整体语义。

KGIN最终生成用户和项目的高质量表示。在给定用户和项目的交互数据和知识图谱，学习一个可以预测用户采用某一商品可能性的函数。

更详尽的论文笔记参考：

https://blog.csdn.net/qq_38420451/article/details/114883495

https://blog.csdn.net/qq_40742298/article/details/114641174