论文：RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems
，CIKM，2018，Microsoft Research Asia & Meituan AI Lab

1. 应用背景

与 DKN 一样，RippleNet 也是利用知识图谱(Knowledge Graph,KG)作为辅助信息(side information)来进行推荐的一种方法。

Knowledge Graph

文章认为 KG 的优点有三：
1.KG引入物品间的语义相关性，有助于找到潜在的联系，提升推荐的准确性；
2.KG有多种类型的关系边，有助于合理地扩展用户的兴趣，可以提升推荐的多样性；
3.KG可以描述用户历史记录与推荐物品间的关联，提升推荐的可解释性；

认为现有的基于知识图谱的推荐方法的问题有二：
1.embedding-based 的策略（如DKN）更适合于in-graph应用，如链接预测，并不能直接有效的描述实体间关系；
2.path-based 的策略（如PER）基于元路径/元图的提取潜在特征，严重依赖于手工设计元路径；

因此，提出了 RippleNet：一种端到端的点击率（click-through rate,CTR）预测模型。
1.相较于 embedding-based 方法，RippleNet 将知识图嵌入（Knowledge Graph Embedding,KGE）通过偏好传播（preference propagation）的方式融合在推荐中；
2.相较于 path-based 的方法，RippleNet 可以自动化发现候选物品和用户历史交互物品间的连接路径，无需人工；

Ripple是波纹的意思，表示在KG上用户兴趣集合如水波般扩散，如水波般衰减。
RippleNet就是模拟用户兴趣在知识图谱上的一个传播过程，如下图所示。用户的兴趣以其历史记录为中心，在知识图谱上逐层向外扩散，而在扩散过程中不断的衰减，类似于水中的波纹，因此称为RippleNet。

ripple

2. RippleNet结构

2.1 整体框架

可以看到，最终的预测值是通过item embedding和user embedding得到的，item embedding通过embedding 层可以直接得到，关键是user embedding的获取。user embedding是通过图中的绿色矩形表示的向量相加得到的，而绿色矩形又是由repple set计算得到的，接下来，我们以第一个绿色矩形表示的向量为例，来看一下具体是如何计算的。