Learning Intents behind Interactions with Knowledge Graph for Recommendation阅读笔记

动机

本论文是2021年发表在IW3C2的一篇论文。在基于知识图谱的推荐系统中，使用图神经网络是一个趋势，但是目前基于图神经网络的模型有以下不足之处：1.没有在更细的意图粒度上识别用户与物品之间的关系。2.没有利用依赖关系保留长距离的语义连接。本文作者提出的KGIN模型解决了上述问题，将意图建模为知识图谱中关系的组合，并鼓励不同意图相互独立，同时还提出一种新的GNN信息聚合方法，它可以递归地集成长距离关系序列。
这里仔细说明一下之前GNN工作的两个不足，首先是以往的GNN工作没有考虑更细的用户与物品交互的粒度，本文模型中设计用户有多个意图，且这些意图驱动用户去与物品交互。如右子图中，意图p1强调了director（r1）和star（r2），这驱动u1去看电影i1和i5。

之前的工作大部分都是基于node的，通过聚合邻居node的信息来更新自己，而不区分这些信息来自哪些路径，这导致模型不能很好捕获交互中的依赖信息。在本文模型中，作者设计了一种新的信息聚合方式解决了这个问题。

算法

在本模型中，需要两类数据，分别是用户与物品交互数据，知识图谱（用三元组表示）。模型可分为两个部分，下面详细介绍。

用户意图建模

假设\(\mathcal{P}\)是被所有用户共享的意图，我们可以将每个用户物品交互对(u,i)分解为，因此我们可以将用户物品交互数据看作一个异构图。作者将每个意图用向量表示，计算公式如下

其中\(e_r\)是关系r的向量表示，α(r,p)是注意力分数，评价该关系对该意图是否重要，计算公式如下

\(w_{rp}\)是对于关系r和意图p的可训练权重。
关于意图，我们希望意图之间互相独立，如果一个意图可由其它意图推断出，那么它就是多余的，并且携带的信息很少，因此意图独立有利于增强模型能力和可解释性。作者提供两种方法引导模型学习独立的意图，分别是互信息和距离相关系数。
在互信息方法中，我们最小化任意两个意图中的互信息，公式如下

其中s(·)是评价两个意图之间的联系，这里使用余弦相似度。
在距离相关系数方法中，我们最小化意图之间的距离相关系数，公式如下

dCor(·)是距离相关系数计算公式，具体定义如下

dCov和dVar分别是协方差和方差计算。

关系路径感知聚合

这部分分为在Intent Graph和Knowledge Graph上聚合。（Intent Graph是上文中提到的(用户,意图,物品)三元组组成的）

首先是在Intent Graph上聚合，下面仅说明第一次的聚合，我们可由以下公式得到用户的向量表示

\(f_{IG}\)(·)是对于每个(u,p,i)的聚合函数，这里使用的聚合函数为

\(e_i\)是物品i的向量表示，β(u,p)是注意力分数，具体计算公式如下