论文标题：Conditional Graph Attention Networks for Distilling and Refining Knowledge Graphs in Recommendation

现有的知识图谱相关的推荐算法可以分为两类，基于表征和基于路径的方法:

1. 基于表征的方法首先通过知识图谱表征学习算法得到实体和关系的表征，然后将这些隐层表征引入推荐系统。然而，知识图谱表征学习算法更多地关注于复杂的语义关联，它更适用于网络内任务比如链接预测，而不是推荐。因此，基于表征的方法不能完全地捕捉用户商品连接的复杂语义，也不能区分知识关系是否与目标任务相关联。

2. 基于路径的算法从知识图谱中探索很多条路径来构建两个实体之间的联系。它们通常将知识图谱看作是一个异构信息网络，然后预先定义很多元路径来提取目标节点对之间的相似度。不同路径之间的不同权重反映了知识图谱中用户的偏好。但是由于路径长度的限制，它们丢失了全局关系。此外，这些方法通常非常依赖于元路径的设计，所以不能直接应用于新的数据中。

为了克服这些限制，作者认为一个好的知识依赖的网络表征学习方法应该满足下面的性质:

1. 全局相似度保持。知识图谱的巨大规模使得衡量实体之间的全局相似度变得非常困难。此外，图卷积神经网络递归地聚合邻居的特征来更新节点表征。在若干次迭代之后，模型可以将局部信息传播到全局。作者提出引入图卷积神经网络到知识图谱中。

2. 局部知识蒸馏。学习目标用户的偏好通常都是局部而且多样的。因此本文利用基于目标用户商品的子图而不是多条独立的路径。子图可以包含更丰富的拓扑结构信息以及上下文信息。它可以在一个局部子图而不是全量庞大知识图谱中挖掘更精确的目标偏好。

图2. KGAN 框架图

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