一句话总结：用GCN对Knowledge Graph做Model
Motivation
推荐系统中存在的问题
- 用户-物品的交互数据非常稀疏
-
冷启动问题（有新的item加入时，无法根据用户和这个item的历史记录做推荐）
传统推荐系统方法遇到的问题.png
解决思路：引入其它信息（Side information）
- 社交网络
- 物品/用户的属性
- 上下文信息（用户在哪里买的，当时购物车里还有什么其它信息...）
- 知识图谱
Knowledge Graph
- 有向的异构图，节点代表实体，边表示关系
-
一个KG包含很多三元组（头结点，关系，尾结点）
A triple in KG.png -
知识图谱和推荐系统的关系：KG中的node有可能是推荐系统中的item
如果是电影才是item.png -
为什么要将KG用到推荐系统：KG提供了一种关于items间相似度的计算方式
两条新闻虽然字面上看不出来关联，但是内在含义是有相似度的.png
KG的数学表示
Method
Relation Scoring Function
因为KG中的边是关系型的（relation type），没有显式的权值，而GCN中的边是有权值的，所以需要先做一个转换 =>对KG中的关系打分
为用户u identity他所关注的关系，刻画了用户u对不同关系的偏好程度
e.g.
比如计算user embedding 和 relation embedding的内积
对每个user，转换后的Adjacency matrix
Layer-wise forward propagation
上图显示的是标准GCN公式，只不过把原来GCN中同构图的邻接矩阵转换为了每个用户独有的
: Adjacency matrix of the KG for particular user u;
: Diagonal degree matrix of
(把
中每个node的度数写在对角线上，其它地方都是零，作用，对
做normalization）
: Trainable transformation matrix
: Entity embedding matrix
这个式子本质上是说在KG中做了一个多跳的Message-passing，最后中间这层学到的表征是融合了它多跳领域的一个表征
Predicting Engagement Probability
从GCN的最后一层得到entity embedding后，就可以和user embedding计算预测概率，比如用内积，MLP等。
KGCN 算法流程
伪代码解释：
对一个给定的user-item对（line 2）:
计算item v的感受域（line 3, 13-19）
用第0层（即感受域最外层）的实体表示做初始化（line 4）
做H次聚合操作（line 5）
在第h次，计算对每个h层的实体的邻居表示（line 7）
和其自己第h-1层的表示
最终的结合H-hop邻居信息的实体表示为
和这个user的表示
原文Link: Knowledge Graph Convolutional Networks for Recommender Systems
应用
KGNN: Knowledge Graph Neural Network for Drug-Drug Interaction Prediction
这是一篇和KGCN很像的文章，用来预测药物和药物之间的相关性，不同之处在于这里的两个药物（对应user和item）都是知识图谱中的实体，所以需要得到两个药物聚合KG中各自感知域后的embedding，之后计算这两个embedding和原drug的分数，最后再用这两个分数计算药物间的相互作用概率。
