论文笔记：Explainable Reasoning over Knowledge Graphs for Recommendation

1、问题背景

    随着推荐系统的发展，可解释性逐渐成为一个重要的研究方向，因为在推荐相关商品的时候会给出一定解释，这样可以给用户带来一定的可信度，从而提高点击率。

    当前可解释推荐主要有两个方向：基于path的和基于embedding的，它们各有优劣。

    基于path的方法，有两个主要的限制：【1】由于通常从元路径中排除关系，因此它们几乎不能指定路径的整体语义，尤其是当实体相同，但关系不同的时。【2】由于元路径需要领域知识去预定义，因此无法发现和推理看不见的连接模式。

    基于embedding的方式：【1】缺乏推理能力【2】仅虑实体间的直接关系，没有考虑到多跳关系路径 multi-hop relation paths

    在上述背景之下，本文作者提出一个名为Knowledge aware Path Recurrent Network (KPRN)的模型，目的是：【1】对实体的序列依赖 sequential dependencies 和连接用户-项目对的路径的复杂关系 relations 建模【2】推断用户兴趣时，能够区分不同路径的不同贡献。

2、模型定义

    将用户和商品的交互记录表示为，然后将其与KG中的entity和relation结合，构成一个大图。

    任务定义：给定用户u和商品i，以及u到i的一些路径，我们的目标是估计u点击i的概率

不同于embedding的方式，该方法由于是通过不同的路径来做的推断，因此具有很嗨的

3、模型结构

模型分为三部分：【1】embedding layer 【2】LSTM 【3】pooling layer

【1】embedding layer

         将拓展知识图谱中每个实体、实体对应类型及关系映射到一个低维向量表示。

【2】LSTM

        将关系路径上实体、实体类型与下一步的关系合并（concatenate）作为输入，通过隐藏状态传递关联路径中的序列依赖性。若该路径长度为 L ，最后的隐藏层状态将作为整条路径的隐藏表示并通过

对用户-物品交互打分

【3】Pooling layer

        由于不同的路径在刻画用户偏好时权重占比不同，KPRN模型设计了一种带权池化操作来综合不同路径的打分

该操作类似注意力机制，能对不同路径预测用户-物品交互时的贡献做区分。最终用户-物品对的打分为

【4】模型学习

直接将其作为二分类任务：

4、实验部分

数据集采用MovieLens-1M and IMDb datasets,