论文笔记：Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion(KDD2020)

两个问题：

1. 会话数据本身缺乏足够的语境信息，无法准确理解用户的偏好；
2. 自然语言表达与item级用户偏好之间存在语义差距。

本文提出的解决办法：
结合面向词和面向实体的知识图(KG)来增强CRSs中的数据表示，并采用互信息最大化(Mutual Information Maximization)来对齐词级和实体级语义空间

步骤：
首先使用图神经网络分别学习两个kg上的节点嵌入，然后提出使用互信息最大化方法来弥合两个kg之间的语义鸿沟。其核心思想是：强行拉近将两个KG中在对话中一起出现的word-item的节点表示

其他组件：
基于对齐的语义表示，我们进一步开发了一个kg增强的推荐组件，用于做出准确的推荐，以及一个kg增强的对话组件，可以在响应文本中生成有信息的关键字或条目。

主要结构：

1. item多关系知识图谱：通过RGCN得到其向量表示；
2. word单关系知识图谱：通过GCN聚合得到其向量表示；
3. item-word Attention模块：通过互信息融合，公式如下
   
   直接计算互信得考虑所有的item-word pair，计算复杂度太高，这里采用近似的计算方法：正样本的期望-负样本的期望。
   正样本定义为：对话中出现的item和所有有意义word的pair
   负样本定义为：随机n个对话中没出现的item-word pair

整体架构图：

总结：
本质上，问题源于：对话模块和推荐模块对应于两个不同的语义空间，即word级语义空间和item级语义空间。本文尝试训练并合并两个特殊的KG，以增强这两个部分的数据表示，来达到更好的推荐效果（item+原因）。就是说在这个统一的语义空间里，每个item向量旁的word向量就是我推荐改item的原因，比如item：午夜凶铃 的周围应该是word：恐怖、惊悚 等。