より正確で多様かつ説明可能な推薦を提供するために、ユーザーアイテムの相互作用をモデル化するだけでなく、付随情報を考慮に入れることが必須です。伝統的な手法である因子分解機（Factorization Machine: FM）はこれを監督学習問題として扱い、各相互作用を付随情報が符号化された独立したインスタンスと仮定します。しかし、インスタンスやアイテム間の関係（例えば、ある映画の監督が別の映画の俳優でもあるなど）を見落としているため、これらの手法はユーザーの集団行動から協調信号を抽出するのに十分ではありません。本研究では、知識グラフ（Knowledge Graph: KG）の有用性を探ります。KGはアイテムとその属性をリンクすることで独立した相互作用の仮定を打破します。我々は、KGとユーザーアイテムグラフというハイブリッド構造において、高次関係---2つのアイテムを1つまたは複数のリンクされた属性で接続するもの---が成功した推薦にとって重要な要素であると主張します。この高次関係性をエンドツーエンドで明示的にモデル化する新しい手法である知識グラフ注意ネットワーク（Knowledge Graph Attention Network: KGAT）を提案します。KGATは、ノードの近傍（ユーザー、アイテム、または属性）から埋め込みを再帰的に伝播させてノードの埋め込みを精緻化し、注意メカニズムを使用して近傍の重要性を区別します。既存のKGベースの推薦手法とは異なり、KGATは概念的に優れています。これらの既存手法はパス抽出によって高次関係を利用したり、正則化によって暗黙的にモデリングしたりしています。3つの公開ベンチマークデータセットでの実験結果は、KGATがNeural FMやRippleNetなどの最先端手法に比べて著しく優れていることを示しています。さらに詳しい研究では、高次関係モデリングにおける埋め込み伝播の効果と注意メカニズムによる解釈可能性向上が確認されています。