摘要
为了提供更准确、多样且可解释的推荐，有必要超越用户-项目交互建模，考虑侧信息。传统方法如因子分解机（Factorization Machine, FM）将其视为一个监督学习问题，假设每个交互都是一个独立的实例，其中包含编码的侧信息。由于忽略了实例或项目之间的关系（例如，一部电影的导演同时也是另一部电影的演员），这些方法无法从用户的集体行为中提炼出协作信号。在本研究中，我们探讨了知识图谱（Knowledge Graph, KG）的效用，它通过将项目与其属性相连来打破独立交互假设。我们认为，在这种知识图谱与用户-项目图相结合的混合结构中，高阶关系——即通过一个或多个链接属性连接两个项目的关联——是成功推荐的关键因素。我们提出了一种新的方法，称为知识图谱注意力网络（Knowledge Graph Attention Network, KGAT），该方法以端到端的方式显式地建模知识图谱中的高阶连通性。它递归地从节点的邻居（可以是用户、项目或属性）传播嵌入向量以优化节点的嵌入，并采用注意机制来区分邻居的重要性。我们的KGAT在概念上优于现有的基于知识图谱的推荐方法，后者要么通过提取路径来利用高阶关系，要么通过正则化隐式建模这些关系。在三个公开基准数据集上的实证结果表明，KGAT显著优于诸如神经因子分解机（Neural FM）和涟漪网络（RippleNet）等最先进方法。进一步的研究验证了嵌入传播在高阶关系建模中的有效性以及注意机制带来的可解释性优势。