核心问题：
现有的基于知识库的推荐方法主要关注如何有效地对知识库中的知识关联进行编码，而不突出用户-物品交互中潜在的重要的协同信号
就是说之前的基于KG的RS比较重视知识图谱内部的知识关联，但是忽略了用户和物品之间潜在的一些相互作用
论文是怎么处理协同信号的呢？或者说协同信号指的是什么？
user的嵌入表示以其历史交互的items替代，items的嵌入表示以其自身加上与其交互过的users所交互过的所有items集合替代，这一点和RippleNet是一致的。然后再对应至知识图谱中的实体进行知识关联传播来丰富用户和项目的嵌入表示。
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。
解决方法：
通过协同传播对协同信号进行显式编码，并将 协同信号与知识关联组合在一起来 丰富用户和物品的嵌入表示，在传播过程中选择邻居使用了 知识感知注意机制分配不同的权制，然后聚合来自不同传播层的用户和物品的表示作为预测层的输入，通过表征的内积来预测用户对该物品的偏好得分，即为用户点击物品的概率
端到端网络，由异构传播层、知识感知注意嵌入层和预测层三个主要部件构成：
（1）第一层是异构传播层，分为协同传播和知识图谱传播
先在协同传播中定义初始传播集再在知识图谱中进行链接传播，协作传播用于显式地将关键的协作信号编码为用户和项目的表示形式。知识图传播沿着KG中的链接传播知识关联，以递归地展开用户和项目的表示，并使用补充的边信息
首先定义一个用户u的初始实体集：使用与用户历史交互过的items对应在知识图谱中的entity set 作为表示用户的初始实体集（通过用户的历史交互获得的items，然后使用实体对齐方法将item对应到知识图谱中的entity，就将项目集转换为KG中传播的初始种子集）
再定义了一个项目v的协同项目集，同一用户交互过的项目定义为协作邻居（collaborative neighbors），项目v的协作项目集与该物品交互过的所有用户交互过的物品集合，然后通过实体对齐，将项目集中的items对应到知识图谱中的entity就得到了初始的实体集
（这么定义的原因是对同一项进行过交互的用户，他们可能存在相似的行为偏好，即其交互过的物品们，然后这种偏好可以对该项的特征表示做出贡献，根据定义，item v 的初始实体集包含与item v直接相关的实体）
用户集和项目集都已经对应至KG，接下来就在KG中沿链路传播，可以得到与初始实体集不同距离的扩展实体集和三元组集合
扩展的实体集定义：满足头实体在上一跳的实体集中所产生的尾实体集合
三元组集合定义：满足头实体在上一跳的三元组
通过协同传播得到的初始实体集类似于声波源，在KG中由近到远逐层传播。通过基于知识的深度传播，成功地捕获了基于知识的用户和商品的高阶交互信息，有效地提高了模型的能力
（2）第二层是知识感知注意力嵌入（即基于知识图谱的注意力机制分配权重）
在KG中，不同的头部实体和关系，每个尾部实体具有不同的含义和潜在向量表示
例如，《阿甘正传》和《荒岛历险》在导演和演员阵容上有更多的共同之处，但在题材和作者方面就不那么相似了。
我们需要扩展的实体集和三元组都是建立在已知头实体和关系的基础上。所以我们提出了一种 知识感知的注意力嵌入方法，对尾部实体产生不同的注意力权值，以揭示其在获得不同头部实体和关系时所具有的不同含义。最后加权平均得到尾实体的表示（即用户/项目的表示）然后多跳传播，得到了多层的用户和项目的表示
(首先将不同layer（总共 个layer）的三元组分别聚集得到a_i、再将处于相同layer的a_i累加到一起作为该layer的表示)
（3）预测层
每一层的表征可以解释为层次潜在影响，强调不同的高阶连接度和偏好相似性。选择三个不同的聚合器来将多跳传播后的表示聚合为用户和项目的单个向量，然后用户和项目向量内积来预测用户对该物品的偏好得分
如何利用知识图谱
知识图谱与推荐系统融合的核心是如何将这些异构信息有效地整合为用户和产品的潜在向量表示
先构造两个项目集（即在知识图谱中传播的种子集）然后再知识图谱中利用连接进行传播聚合信息，得到每一跳后的用户和项目的嵌入表示，最终再将这些嵌入表示聚合为用户和项目的潜在向量
这里将用户交互过的项目集作为用户u的初始表示（即种子集），然后将该项目集实体对齐至知识图谱中的实体进行知识关联传播
而对于项目v的表示则是保留项目v本身的嵌入表示加上与项目v产生交互的用户们所交互过的所有项目作为初始表示然后也是对应至知识图谱中的实体进行知识关联传播
Original: https://blog.csdn.net/weixin_50180730/article/details/117410005
Author: Lisa_is_cute
Title: CKAN: 面向推荐系统的协同知识感知注意网络
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/568938/
转载文章受原作者版权保护。转载请注明原作者出处！