(KGCN)Knowledge Graph Convolutional Networks for Recommender Systems 论文笔记

KGCN: Knowledge Graph Convolutional Networks for Recommender Systems

Intro

每个item都有很多属性，这些属性之间能够相互联系，从而形成一张知识图谱。利用这张知识图谱，我们可以发现item之间的高阶语义信息和结构信息。从而做出更加准确的推荐。对于知识图谱的处理我们提出了KGCN的方法，即将GCN运用到知识图谱中，用以形成对于每个entity（item）的表示。

模型

如上图所示，KGCN在本文中的应用是：规定感受野的跳数H（图中为2），以及每个实体单跳感受野中要考虑的节点个数（图中为2）。则KGCN的计算顺序是：不学习最外层的节点，先学习红色的节点，后学习蓝色的节点。

整体算法如下所示：

注意：当计算一个实体的上下文感受野信息时，对于单跳感受野中每个实体的权重设置不同

算法图示如下：

实验结果

与其他baseline的对比结果如下：

• PER需要人工设计meta-path，因此准确性会低很多

同时通过实验探究了K，H，dimension的大小对于实验准确性的影响

反思

1. 对于感受野中固定实体的选择采用的是同一的方法，未来可以根据实体的重要性进行选择
2. 将user和item分隔开，只对item端使用KG进行表示学习，没有尝试加入user的信息或者对user也使用KG进行表示学习