笔记整理：王若旭，浙江大学在读硕士，研究方向为关系抽取，零样本学习。
本文发表于 www2019，参考链接：https://arxiv.org/pdf/1905.04413.pdf
为了解决推荐系统中协同过滤方法面对的数据稀疏和冷启动的问题，很多研究者将关注点放在 user 和 item 的属性上，通过设计一些算法来探索这些辅助信息。本篇文章基于属性之间并非独立的观点提出 Knowledge Graph Convolutional Networks (KGCN)，通过挖掘 item 在 KG 属性上的关系有效地捕获item内部的联系。
具体的做法如下（参考下图理解）：
1）首先，将 user-item 中的 item 和 KG 中 entity 对齐。
2）计算 user u 和 KG 中 relation r 的得分，表示用户 u 对关系 r 的重视程度，如：一些用户更注重某部电影的导演而非演员。
3）通过对周围 entity e 施加不同权重，计算 item v 拓扑机构表示。其中，N(v) 是 v 的邻接节点。
4）文中提出三种聚合方法来聚合item v的表示和它邻接节点的表示 
(S(v)是为了保持每批次的计算模式固定且更高效，从N(v)中采样得到的)。
5）论文采用 hinge loss，考虑到算法的效率，为每个样本产生 Tu 个负样本，且样本满足均匀分布。
KGCN算法流程如下：
数据集：包括 movieLens-20M，Book-Crossing，Last.FM，用 Microsoft Satori 进行对齐，丢掉了多个匹配的和没有匹配上的 item。数据集统计如下：
K: 感知的宽度，即考虑的邻居节点数量
d：u,v表示的维度
H: 感知的深度，即递归的次数
实验结果：
1）整体结果
2）邻居节点数量K，表示的维度d,感知的深度H对结果的影响
OpenKG
开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。
点击阅读原文，进入 OpenKG 博客。
