论文阅读：Knowledge Graph Convolutional Networks for Recommender Systems

1. Motivation

融合吸收side-information是缓解CF冷启动问题的一种解决方案，但是真实场景中的物品属性并不是isolated，它们之间彼此相连。简单的拼接或者非线性交互并不能很好的提取到这些属性之间的关联。为此，我们可以将物品和描述物品的属性放在一张知识图谱里面考虑，并且用GCN的方式吸收邻居的表达，并且随着迭代次数的增加，可以提取到用户“长距离”的兴趣，这在普通MLP中是无法做到的。

2. Method

首先，知识图谱里面存在的一些定义。物品和描述物品的属性都可以看成是实体，它们之间的描述可以看成是关系，那么对于物品-属性知识图中，存在一种描述关系，即（h,r,t）。我们的目标就是要在已知的条件下预测用户会不会与物品产生交互。其实把上述的问题描述清楚之后，解决方案也就很明确了。物品和很多属性相连，我们可以通过物品邻居（属性）用sum，concat或者其他方式求得物品的表达，同时并不是每一个实体都对物品有一样的权值，这个是由用户决定权值的大小，因此此处用到attention来求得每一个属性对物品贡献的权值。

attention得分还是用softmax求得：

聚合方式如前所述，这里不加叙述。

3.Experiments

本书目的有二，其一CTR预估，其二topn推荐。因此需要分别进行试验验证。本文试验是很充分的，超参（邻居节点采样个数，hop数，embedding大小）都进行了实验，另外本文其实不算一篇很难的文章，也只不是过是异构知识图谱的一个表达，目的也是为了求的物品embedding的一个更好的表达。