2019-KDD-KGAT, Knowledge Graph Attention Network for Recommendat

《2019-KDD-KGAT：基于知识图谱注意力网络的推荐系统》 推荐系统是现代在线服务的核心组成部分，旨在为用户提供个性化且精准的建议。然而，传统的推荐算法，如因子分解机（Factorization Machine, FM），仅仅考虑用户与物品之间的交互，忽略了丰富的侧信息，例如物品的属性、用户的兴趣演变等。这些方法由于未能捕捉到实例或物品之间的关系（例如，电影导演可能也是另一部电影的演员），因此在提取用户集体行为中的协同信号方面存在不足。 为了解决这个问题，2019年KDD会议上提出了一种新的方法——知识图谱注意力网络（Knowledge Graph Attention Network, KGAT）。该模型通过将物品与其属性链接的知识图谱引入，打破了独立交互的假设，强调了实体间的关系对于准确推荐的重要性。在KG和用户-物品图的混合结构中，KGAT强调了高阶关系的重要性，这些关系将两个物品通过一个或多个链接的属性连接起来。 KGAT模型采用端到端的方式，通过递归传播邻居节点（可以是用户、物品或属性）的嵌入来细化节点的嵌入，并利用注意力机制来区分邻居的重要性。模型框架如图2所示，左侧子图展示了KGAT的整体结构，右侧子图呈现了其注意力嵌入传播层的细节。KGAT结合了图卷积网络（GCN）、GraphSage和双向交互（Bi-Interaction）三种信息聚合策略，从而更全面地捕获了图中的复杂关系。 与现有的基于知识图谱的推荐方法相比，KGAT在概念上有明显优势。传统的路径提取方法显式地利用高阶关系，而正则化方法则隐式地建模这些关系。然而，KGAT通过高阶传播推测实体间的潜在关联，能更有效地揭示隐藏在用户行为和物品属性中的模式。实验结果表明，KGAT在三个公开基准数据集上的表现显著优于Neural FM和RippleNet等最先进的方法，验证了其在推荐系统的优越性能和解释能力。 KGAT模型提供了一种新的视角来理解和改进推荐系统，通过知识图谱的利用和注意力机制的设计，提高了推荐的准确性和多样性，并增强了推荐结果的可解释性。这一研究不仅推动了推荐系统的理论发展，也为实际应用提供了有价值的参考。