摘要
为了缓解基于协同过滤的推荐系统中存在的稀疏性和冷启动问题，研究人员和工程师通常会收集用户和项目的属性，并设计精巧的算法来利用这些额外的信息。一般来说，这些属性并不是孤立存在的，而是相互关联的，从而形成了一个知识图谱（Knowledge Graph, KG）。在本文中，我们提出了一种知识图谱卷积网络（Knowledge Graph Convolutional Networks, KGCN），这是一种端到端框架，通过挖掘项目在知识图谱上的相关属性，有效捕捉项目之间的关联性。为了自动发现知识图谱的高阶结构信息和语义信息，我们为知识图谱中的每个实体从其邻居中采样作为其感受野，然后在计算给定实体的表示时结合邻域信息和偏置。感受野可以扩展到多个跳数之外，以建模高阶近似信息并捕捉用户的潜在远距离兴趣。此外，我们将提出的 KGCN 实现在小批量模式下，这使得我们的模型能够在大型数据集和知识图谱上运行。我们将所提出的模型应用于电影、书籍和音乐推荐的三个数据集，并且实验结果表明我们的方法优于强大的推荐基线模型。