Contextualized Graph Attention Network for Recommendation with Item Knowledge Graph
摘要：
近年来，图神经网络(GNN)被应用于知识图谱(KG)的开发。现有的基于GNN的方法在KG中对实体与其本地图上下文之间的依赖关系进行了建模。，但可能无法有效地捕获其非局部图上下文(例如，它的一阶邻居的集合)，最相关的高阶邻居集)。在本文中，我们提出了一个新的推荐框架——上下文化的图注意网络(CGAT)，它可以显式地利用KG中实体的局部和非局部图上下文信息。特别地，CGAT通过用户特定的图形注意机制捕获本地上下文信息，考虑用户对实体的个性化偏好。此外，CGAT采用了一个有偏随机游走采样过程来提取一个实体的非局部上下文，并利用递归神经网络(RNN)来建模实体与其非局部上下文实体之间的依赖关系。为了捕捉用户对物品的个性化偏好，本文还建立了物品特定注意机制，以模拟目标物品与从用户历史行为中提取的上下文物品之间的依赖关系。在真实数据集上的实验结果验证了CGAT的有效性，并与最新的基于KG的推荐方法进行了比较。