![](https://csdnimg.cn/release/download_crawler_static/86881527/bg4.jpg)
通性。统一的方法
[21]
结合基于嵌入的方法和基于路径的方法的优点,利用嵌入
传播的思想来细化在知识图谱中具有多跳邻居的项目或用户的表示。例如在
RippleNet
[22]
中,通过沿着知识图谱中的关系 ,传播用户历史上交互过的项目来
挖掘用户潜在兴趣,从而丰富用户的表示,提高推荐性能。本文提出的 DEKGCN
是基于统一的方法,同时还考虑了用户属性对推荐的影响。
1.2 知识图 谱 嵌 入
知识图谱嵌入(knowledge graph embedding,KGE)
[23]
将实体和关系嵌入
到连续向量空间中,同时保持其固有结构。KGE 算法可以分为两类:基于翻译的
模 型 , 如 TransE
[24]
、 TransH
[25]
、 TransR
[26]
、 TransD
[27]
等 ; 语 义 匹 配 模 型 , 如
RESCAL
[28]
、DistMult
[29]
、ComplEx
[30]
等。基于翻译的模型利用基于距离的评
分函数,把衡量一个元组的可信性作为两个实体之间的距离,通常经过翻译关系
进行。TransE 是最具代表性的基于翻译的方法,它将实体和关系以向量的形式
表示在同一空间中,当三元组 (h,r,t)成立时,即 h+r≈t,则得分函数 fr(h,t)=||h+r-
t||22 的得分低,否则高。语义匹配模型利用基于相似性的评分函数,通过匹配在
向量空间中实体和关系表示的潜在语义来衡量事实的可信性。例如,RESCAL
[28]
将每个关系表示为矩阵,以捕获实体之间的组合语义,并使用双线性函数作为相
似性度量。然而这些方法只适合在知识图谱内部完成特定任务,例如连接预测
和三元组分类,而不适合应用在推荐领域。
2 DEKGCN 模型
本章将介绍所提出的 DEKGCN 模型:首先描述知识图谱感知的推荐问题,
然后展示一个单层的物品 v 端和用户 u 端的卷积表示学习过程以及两端的聚
合方式,最后介绍完整的 DEKGCN 学习算法。
2.1 问题描 述
知识图谱感知推荐问题的表述如下:在一个典型的推荐场景中,通常有一
组 M 个用户 U={u1,u2,⋯,uM}集合和一组 N 个物品 V={v1,v2,⋯,vN}集合。根据
用户隐式反馈,定义用户-项目交互矩阵 Y∈RM×N:
如果有过交互否则 yuv=1,如果(u,v)有过交互 0,否则
(1)