Knowledge Graph Contrastive Learning for Recommendation（论文笔记）

模型流程 ：

1.Relation-aware Knowledge Aggregation

        这一部分讲解下面两种模型，获取entity和item的第一阶段（first-stage）的表示向量。

1.1 Knowledge Aggregation with Relation Heterogeneity

        讲解本文使用的获取item在网络结构上表示向量的方法。采用类GAT的GNN方式。

1.2 Semantic Representation Enhancement

      讲解采用TransE模型获取节点（item，entity），边（relation）的初始特征。当然，relation的特征向量不重要。

2.Knowledge Graph Augmentation

        这部分讲解如何利用图增强技术获取两个增强图（称为Views）

2.1 Augmentation on Knowledge Graph Structures

表示原来的图 。和表示两个增强图 。

是掩码矩阵。通过掩码矩阵和原始邻接矩阵的哈达玛积，得到增强图。

 2.2 Agreement between Augmented Structural Views

        定义 i 节点的知识图结构一致性Ci。如果一个item的结构一致性得分较高，则它对拓扑信息的变化不太敏感。即Ci值越大，表明这个节点在网络上更加稳定，更不易受到图扰动的影响。反之亦然。Ci值的获取公式如上，fk函数表示的是1.1获取item节点特征的方式。

 3 Knowledge-Guided Contrastive Learning

         利用无监督的图对比学习获取节点向量。

3.1 Interaction Graph Augmentation Mechanism

        这部分讲解本文两个增强图是怎么来的。

        利用item的知识图结构一致性Ci来指导数据增强。结构一致性得分较高的item将涉及较少的噪音，并有助于用户真实兴趣的建模。item的Ci分数表征item对user的影响程度，具体用exp（Ci）度量。归一化成p’。 是为了缓解低价值效应。

 表示 i和u之间的dropout概率。这个dropout概率和上面那个掩码矩阵（伯努利分布）共同决定两个增强图。pa，up都是超参。生成增强图的公式如下：

3.3 Knowledge-aware Co-Contrastive Learning

        这部分讲，设置无监督的目标函数。

         顺便讲解了上诉采用的图增强技术有区别于传统的图图技术SGL，GraphCL。通过从item语义和user行为模式的角度干扰图结构。

采用lightGCN作为两个增强图的encoder。 

 

采用InfoNCE作为损失函数1。

另外损失函数2为Bayesian personalized ranking：

总损失函数为：

总结：

文章条例清晰，逻辑清楚。但是文章整体主题不够突出。文章用了很大一部分描述两个增强图的获取。与传统Augmentation不同的是，文章采用计算item的结构一致性Ci来设计网络边的dropout率。希望通过这种方式减少网络扰动对整体表示向量的影响。