(KARN)A Knowledge-Aware Attentional Reasoning Network for Recommendation 论文笔记

KARN: A Knowledge-Aware Attentional Reasoning Network for Recommendation

Intro

之前的工作要么只考虑使用知识图谱来解释user与item在知识图谱中之间path的合理性，要么只考虑通过用户的历史点击序列来预测用户的兴趣。本文将结合两者进行预测，这种预测方式将提高预测的准确率，具体如下：

用户Jark的历史记录为3->2->1，如果不考虑历史记录，只根据1和知识图谱进行推荐，则由于Titantic的导演是James Cameron，因此可能推荐他执导的另外两部电影Piranha2和Aliens，但是通过历史记录可以得到Jark喜欢的电影类型更偏向于Adventure类型的电影，因此更有可能推荐Aliens而不是Piranha2

创新点

1. 提出KARN将用户的历史点击序列和知识图谱中的路径信息相结合
2. 对于item进行向量表示时，不仅考虑了textual（tittle）的信息，还考虑了contextual（its one-hop neighbors in KGs）的信息
3. 对于item进行向量表示时，不仅考虑用户的历史点击序列，还通过user和item之间的路径考虑了user对于该item的潜在意图

模型

对于item的表示

其中

• 对于tittle中的每一个词的embedding组成的矩阵用F个卷积核进行卷积操作，用于提取局部语义信息（多个词组成的phrase的含义），最后经过一层变换得到与KG中实体维度相同向量V‘
• 对于该商品在KG中对应的entity的embedding用V来表示
• 对于该商品1-hop之内的neighbors entity采用平均的方法来得到向量V’‘

则item的表示最终为[V, V' , V'']

对于user history的表示

对于历史点击的item，通过SRA网络来学习，SRA将RNN+attention得到的结果与RNN最后一个隐状态进行拼接来表示user history interest

User potential intent

即用户对于目标商品的潜在意图，通过所有在知识图谱中由用户到商品的路径来计算得出

对于每一条路径，e表示实体，r表示关系：

我们将（e_i,r_i）视为一个整体用一个向量来表示，在路径最后补上空关系r_q，随后将将整条路径用多个这样的向量来表示，最后通过SRA学得整个路径的表示。将所有路径通过attention net得到User对于item的potential intent

整体网络

实验结果

反思

1. 实验存在缺陷，没有与其他使用知识图谱的模型进行对比，即KGCN，KGAT，RippleNet
2. 无法应用于新闻推荐，新闻的待推荐item的数量太多，无法每一个都参与user potential intent的计算