ABSTRACT
将KG运用到RS中，现存的GNN方法在关系建模中是粗粒度的，不能在细粒度的意图粒度上识别user-item关系，也不能利用关系依赖关系来保留远程连接的语义。（后半句怎么理解？）
本文提出KGIN，将每个意图建模成KG关系的注意力结合，鼓励不同意图间的独立性；设计了新的消息聚合机制，递归的整合长距离连通性的关系序列。这些设计能够提取关于用户意图的有用信息，将其编码进用户和物品的表示中。
1 INTRODUCTION
KG运用到RS：KG学习嵌入—路径—GNN
缺点：
-
用户意图：一个用户有多种意图来驱使user消费不同的物品*（理解：将user-item交互分解到多个意图上，每个意图是不同关系[这个关系还包括高阶连通性？不是简单的非A即B关系]的组合）*
-
关系路径：目前的大多方法聚合机制是基于节点的，也就是从邻居节点收集信息，没有区分这些节点来自于哪些路径*（目前加的注意力机制和关系相关不能区分吗？）*；现存的方法不能保留由路径承载的关系依赖性和序列（举了个例子，还是有些疑问）
3 METHODOLOGY
3.1 用户意图建模
3.2 关系路径感知的聚合
当前基于节点的聚合，两个问题：
- 关注于邻居节点，没有区分邻居节点来自于那条路径
- 通常使用注意力网络将KG关系建模成衰变因素*（不确定翻译/理解的对不对？)*，这限制了KG关系对于节点表示的贡献。通过路径(p2,r2,r3)连接的三阶邻居在聚集时，这条路径的关系依赖性没有用显式的方法进行捕获。
4 EXPERIMENTS
4.3 消融实验（RQ2）
4.4 KGIN的可解释性（RQ3）
5 RELATED WORK
将KG运用到RS模型分为四类
-
基于嵌入的方法
- 使用知识图谱嵌入技术来学习实体嵌入；将嵌入使用到RS模块
- 缺点，只关于一阶连通性（交互对、KG三元组），忽略了高阶连通性
-
基于路径的方法
- 通过提取路径来考虑长距离连通性（通过KG连接traget user和node节点的路径），使用这些路径来预测用户偏好，比如RNN和记忆网络
- 缺点，路径的设置，所有的路径耗时；人工设置路径需要专家知识
-
基于策略的方法
- 强化学习，设计RL代理来学习路径查找策略，（强化学习是会话推荐系统的主要模型）
- 缺点，稀疏的奖励信号、巨大的行动空间、基于策略的优化
-
基于GNN的方法
- 信息聚合机制，整合一阶邻居的信息更新自我节点表示；多层、来自于多阶邻居节点的信息可以编码进其表示中
- 缺点，设想user和item间只有一种关系，没有探究隐藏的意图；不能保存路径中的关系依赖性。（本文模型的动机）