[论文阅读] CKAN: Collaborative Knowledge-aware Atentive Network for Recommender Systems

原文：CKAN
代码：https://github.com/weberrr/CKAN

What: 提出CKAN，一种将协作信号与知识关联自然结合的方法。
Why: 现有方法只是关注了KG中的知识关联（knowledge associations），忽略了协作信号（ collaborative signals），这往往是user-item交互中缺乏的。
How: 提出异质传播策略，将两种信息自然的编码，再应用知识感知的注意机制来区分不同的基于知识的邻居的贡献。
Result:
Conclusion:

CKAN提出之前的方法没有同时考虑【知识关联】和【协作信号】这两种异质信息，因此尝试通过将两种信息自然编码并结合。

Model

1. Heterogeneous Propagation

1.1 协作传播

KG图：

item-entity图：

collaboration propagation

【user由交互过的item的相关实体来表示、item由交互过的user交互过的item的相关实体来表示】

【初始的用户表示（initial entity set of user）】：（由user交互过的item来表示）

其中Yuv=1表示用户u和物品v有交互；e是实体，(v,e)表示物品v和物品e之间有联系。
这里表示，【用户】是由其交互过的item，这些item相关的那些实体entity来表示的。【用实体表示】

多个用户交互了同一物品，它们之间是【用户的协作邻居】。
多个物品被同一用户交互，它们之间是【物品的协作邻居】。

物品的协作邻居：

Vu指物品的协作邻居，vu指Vu这个set中的一个个物品。物品的协作邻居，即item1，item2都被user1交互了，item2是item1的物品协作邻居。用协作邻居相关的实体entity来表示的。【用实体表示】

【初始的物品表示 （initial entity set of item）】：（由item被交互的user的交互item来表示）

用物品的协作邻居和与其联系的实体来表示物品。

1.2 知识图传播

因此可以得到多层递归之后user和item的表示，l-th的尾实体，聚合了(l-1)-th的头实体h的信息。
（user和item的多层递归实体表示的通用表示形式）

同理，得到多层递归三元组表示的通用表示形式：

【the knowledgebased high-order interaction information of user and item is successfully captured】

2. Knowledge-aware Attentive Embedding

之前的操作通过用物品的实体表示user，用邻居物品的实体表示item，考虑了协作传播；再通过多层递归传播，考虑了知识图传播，得到了融合了头实体h和不同关系r的尾实体t，但是还想要进一步区分各个尾实体t之间的区别，因此加入注意力机制来区分各个融合了多层信息的尾实体t。

尾实体t的注意力嵌入表示：（由头实体h和关系r控制）

其中，


称其为注意力因子吧，它的计算过程如下：

并通过softmax进行归一化：

因此可以得到l-th的三元组的表示：（分为user和item，这里是通用表示）

可以看到计算l-th的三元组表示的时候，对该层中每一个三元组都进行注意力计算，相当于把该层的所有三元组进行聚合。

对于初始层（第0层），把user和item相对应的entity直接相加来表示：

作者认为最中心处与item直接相关的那些实体，与item在潜层最相近，因此把它们也与相加，来表示物品的origin：

因此可以得到user和item的additional representations：

3. Model Prediction

每一层强调不同的高阶连通性和用户偏好，因此对上述【user和item的additional representations】分别进行聚合，采用了3种不同的方式：
Sum aggregator：

Pooling aggregator：

Concat aggregator：

最近对聚合的到的user表示和item表示进行内积：

参考：

1. CKAN论文笔记：https://zhuanlan.zhihu.com/p/181475023

附：
两张图