1. 【KDD 2019】Kgat: Knowledge graph attention network for recommendation

论文地址：https://arxiv.org/pdf/1905.07854.pdf

导读：作者提出在建模用户-项目交互并考虑辅助信息的同时也应该考虑项目之间的关系，以便能够从用户的集体行为中提取协作信号。
   基于此，作者研究了知识图谱 (KG) 的效用，它通过将项目与其属性联系起来打破了独立交互假设。作者认为，在 KG 和用户-项目图的这种混合结构中，高阶关系（将具有一个或多个链接属性的两个项目连接起来），是成功推荐的重要因素。所以作者提出了一种名为知识图注意力网络（KGAT）的新方法，它以端到端的方式显式地对 KG 中的高阶连接进行建模。

code: https://github.com/xiangwang1223/knowledge_graph_attention_network

2. 【SIGIR 2020】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

论文地址：https://arxiv.org/pdf/2002.02126.pdf

导读：在这项工作中，作者的目标是简化GCN的设计，使其更简洁并适合推荐。我们提出了一个名为LightGCN的新模型，包括GCN - 邻域聚合中最重要的组件 - 用于协作过滤。

code: https://github.com/kuandeng/LightGCN

本期内容：蒙盼盼 王嘉豪 许轶珂

内容中包含的图片若涉及版权问题，请及时与我们联系删除