以下内容纯属个人见解，欢迎大家交流。
发布于2020 SIGIR

1.motivation

1.1问题

研究人员已经开始利用异构知识图(KGs)作为推荐系统中的辅助信息，以缓解冷启动和稀疏性问题。但是，利用图表神经网络(GNN)捕获信息的KG和进一步在推荐系统中应用仍然是有问题的，因为它不能看到每个项目的属性从多个角度。

1.2 解决方法

为了解决这些问题，我们提出了一种基于gnn的推荐模型——多视图项目网络(multi-view item network, MVIN)从用户和实体的独特混合视图描述项目角度。MVIN从两个用户视图学习项表示实体视图。
从用户视图来看，面向用户的模块根据包含用户点击信息的KG实体对特性进行评分和聚合，从而从个性化的角度提出建议。从实体视图来看，混合层对比各层的GCN信息，进一步从KG内部实体-实体交互中获得综合特征。

2. 相关介绍

假设一些用户对同一作者的图书感兴趣，而其他用户对某种图书类型感兴趣，其中作者和类型是图书与其知识库中的邻居(作者、类型)之间的两种关系。我们可以说，在现实世界中，每个用户对给定的商品都有不同的视图。在实体视图中，项目表示由KG中与之连接的实体定义。一个复杂的表征可以通过合并实体的智能操作而产生。例如，本文利用分层的整块差异来改进它，使其不受邻域实体的影响。
为了丰富用户与实体的交互，我们首先学习kg增强的用户表示，使用面向用户的模块来描述关系和信息对每个实体的重要性。为了细化实体-实体的交互，我们提出了一个混合层来进一步改进由GCN聚合的实体的嵌入，并允许MVIN从不同的层邻域特征中捕获混合的GCN信息。此外，为了保持计算效率和接近整个邻域的全景，我们采用分期策略和采样策略来更好地利用KG信息。

3. model

model

3.1 符合定义

用户和物品分别定义为

三元组为

3.2 User-Entity Interaction

3.2.1 User-Oriented Relation Attention

当MVIN从KG中给定商品的邻域收集信息时，它会以用户特有的方式为该商品的每个关系打分。所提出的面向用户的关系注意机制利用给定用户、产品和关系的信息来确定连接到该产品的哪个邻居信息更丰富。因此，邻域的每个实体都被依赖分数加权 $\pi^u_{r_{v,e}}$ ， $r_{v,e}$ 表示从实体 $v$ 到相邻实体 $e$ 的关系 $r$ 。我们聚合加权邻域实体嵌入，并生成最终面向用户的邻域信息 $\mathbf{n}$ 为
$\mathbf{n}=\sum_{e\in N(v)}\tilde \pi^u_{r_{v,e}}\mathbf{e}$
$\tilde \pi^u_{r_{v,e}}=\frac {exp(\pi^u_{r_{v,e}})}{\sum_{e'\in N(v)}exp(\pi^u_{r_{v,e'}})}$
$\pi^u_{r_{v,e}}=W_r(concat[\mathbf{u},\mathbf{r},\mathbf{v}])+\mathbf b_r$

3.2.2 User-Oriented Entity Projection

对于不同的用户，KG实体应该有不同的信息量来描述其属性。实体投影机制通过将每个实体 $e$ 投影到用户透视图u来细化实体嵌入，公式包含线性和非线性，如下：
$\tilde {\mathbf {e}}=W_e(\mathbf {e}+\mathbf {u})+\mathbf b_e$
$\tilde {\mathbf {e}}=\sigma({W_e(\mathbf {e}+\mathbf {u})+\mathbf b_e})$
面向用户的实体投影模块可以看作是增加用户实体交互的早期层。然后，面向用户的关系注意模块以用户特有的方式聚合邻近信息。

3.2.3 KG-Enhanced User Representation

为了提高前几节中接收到的面向用户的信息的质量，我们根据包含用户单击信息的KG实体来丰富用户表示。从KG中获取用户偏好信息需要咨询KG中所有相关实体，实体之间的联系可以帮助我们找到潜在的用户兴趣。用户兴趣的提取符合所提出的面向用户的模块;在用户的心目中，著名演员的图标不仅是由他们看过的电影定义的，而且还由用户可能感兴趣的kg中的电影定义的。
在此基础上，用KG实体对用户表示进行建模，并通过KG增强的用户表示来增强面向用户的信息。整体流程如图所示，算法1所示

Preference Set

用户 $u$ 交互过的物品集合为

用这些物品作为起点，探索偏好集。

Preference Propagation

首先，我们在hop-0定义用户首选项响应 $\mathbf{o}_i^0$ 。

第二，在hop-p，其中p > 0，用户偏好响应 $\mathbf{o}_i^p$ ，计算为对应关联概率加权后的尾的和。

在整合所有用户偏好响应

\mathbf{o}_i^p

后，生成最终的用户偏好嵌入

3.3 Entity-Entity Interaction

在实体-实体交互中，我们提出了层混合，并着重于捕获高阶连通性和分层混合信息。我们分别从深度和广度来介绍这两个方面;结合3.2节中提到的方法，整个过程如算法2所示。

对于深度,我们整合面向用户的信息如3.2节所述,收益高阶连接信息来生成实体

\tilde v^d_w

和领域信息

\tilde n^d_w

随后聚合生成下一个表示

\tilde v^{d+1}_w

。
利用分层的实体宽度差异，允许不同级别]实体之间的比较，我们混合了不同距离的邻居的特征表示，以进一步提高后续推荐的性能。具体地说，在每一层，我们利用层矩阵混合分层的GCN信息

(\tilde v^1_w,\tilde v^2_w,…,\tilde v^d_w)

生成下一个表示

\tilde v^{1}_{w+1}

。

4. 学习方法

损失函数为：

采用交叉熵损失函数，

P

为负采样分布并且符合均匀分布，

N^u

是对用户

u

负采样的个数。

4.1 固定大小采样

在真实世界的知识图中，N的大小变化很大。此外， $S_u^p$ 可能随着hop数量增长过快。为了保持计算效率，我们采用固定大小的策略，并对3.2节中的实体集进行采样。对于每个实体 $v$ 均匀采样一个领域 $N'(v)$ ,其中 $|N'(v)|=K_n$ ，对于hop-p， $|S_u^p|=K_m$ 。

4.2 Stage-wise Training

为了解决固定大小的采样策略可能会限制所有实体的使用，最近提出了分段训练的方法，从KG中收集更多的实体关系，以接近整个邻域的全景。具体地说，在每个阶段，阶段式训练将重新取样另一组实体，以允许MVIN从KG收集更多的实体信息。分段训练的整个算法如算法3 (Line11)所示。

5.结果

$l_p = 2,l_w = 1, l_d = 2, K_m = 64, k_n = 8$ for ML-1M; $l_p = 1,l_w = 1, l_d = 2, K_m = 64, k_n = 4$ for LFM-1b; $l_p = 2,l_w = 2, l_d = 2, K_m = 16, k_n = 8$ for AZ-book;