CNAN知识图谱辅助推荐系统

CNAN知识图谱辅助推荐系统

文章介绍了一个基于KG的推荐系统模型，代码也已开源，可以看出主要follow了KGNN-LS 。算法流程大致如下：

1. 算法介绍

算法除去attention机制外，主要的思想在于：user由交互过的item来表示、item由交互过的user交互过的item表示。如下图：

即user自身是不具备embedding表示的，完全靠KG部分。 这样的好处在于可以很方便的处理新增加的user，并不需要重新训练新用户的embedding。

user的initial entity set（即该user交互过的item id在KG的id）定义为：

item的initial entity set定义为：

�� 是item交互过的user交互过的item集合，公式3将item id转化为在KG的id，即对齐操作。

由此，我们相当于得到了user、item的邻居set，再由这些邻居set在KG中延伸出 � 阶邻居做聚合，第 � 阶tail entity集合与三元组集合定义为：

符号 � 代表某个user或item。如下图所示，多个Layer即代表多阶邻居：

这一步在算法执行中会占据相当大的时间。

2.聚合方式

对于某个triplet (��ℎ,�,���) 而言，我们定义从tail entity ��� 沿着 � 聚合到head entity �ℎ� 得到的attentive embedding �� ：

CKAN的聚集首先将不同layer（总共 � 个layer）的三元组分别聚集得到 �� 、再将处于相同layer的 �� 累加到一起作为该layer的表示：

接着，除去这 � 个向量外，还会将initial entity set的embedding累加起来作为第0阶layer表示：

对于target item而言，它自身也是entity，所以单独多引入一个origin embedding：

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

最后聚合target user/target item的embedding set得到final embedding。正如图一的Knowledge-aware Attentive Network所示。聚合的方式有三种：

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、最后多阶信息都会聚集在target node上。训练采用cross-entropy loss。

3.实验

实验对比如下：

loss。

3.实验

实验对比如下：

[外链图片转存中…(img-XHaKhNr4-1709550222389)]

数据集均是采用KGNN-LS使用的数据集