CNAN知識圖譜輔助推薦系統

文章介紹了一個基于KG的推薦系統模型，代碼也已開源，可以看出主要follow了KGNN-LS 。算法流程大致如下：

1. 算法介紹

算法除去attention機制外，主要的思想在于：user由交互過的item來表示、item由交互過的user交互過的item表示。如下圖：

即user自身是不具備embedding表示的，完全靠KG部分。 這樣的好處在于可以很方便的處理新增加的user，并不需要重新訓練新用戶的embedding。

user的initial entity set（即該user交互過的item id在KG的id）定義為：

item的initial entity set定義為：

�� 是item交互過的user交互過的item集合，公式3將item id轉化為在KG的id，即對齊操作。

由此，我們相當于得到了user、item的鄰居set，再由這些鄰居set在KG中延伸出 � 階鄰居做聚合，第 � 階tail entity集合與三元組集合定義為：

符號 � 代表某個user或item。如下圖所示，多個Layer即代表多階鄰居：

這一步在算法執行中會占據相當大的時間。

2.聚合方式

對于某個triplet (��?,�,���) 而言，我們定義從tail entity ��� 沿著 � 聚合到head entity �?� 得到的attentive embedding �� ：

CKAN的聚集首先將不同layer（總共 � 個layer）的三元組分別聚集得到 �� 、再將處于相同layer的 �� 累加到一起作為該layer的表示：

接著，除去這 � 個向量外，還會將initial entity set的embedding累加起來作為第0階layer表示：

對于target item而言，它自身也是entity，所以單獨多引入一個origin embedding：

因此，target user和target item擁有如下embedding set：

最后聚合target user/target item的embedding set得到final embedding。正如圖一的Knowledge-aware Attentive Network所示。聚合的方式有三種：

可以看出CKAN的聚集和其他的GNN算法不同，一般的GNN聚集是聚集多次、最后多階信息都會聚集在target node上。訓練采用cross-entropy loss。

3.實驗

實驗對比如下：

loss。

3.實驗

實驗對比如下：

[外鏈圖片轉存中…(img-XHaKhNr4-1709550222389)]

數據集均是采用KGNN-LS使用的數據集