1，介绍

为了解决基于特征的SL模型的局限性，提出了一种基于Item边信息图的解决方案，知识图谱考虑了预测模型的构造。我们将知识图与用户图的缓和结构称为知识图（CKG）。如图1所示，成功推荐的关键是充分利用CKG的高阶关系，例如：长范围连接。

分别表示黄色和灰色圆圈的方式。

然而，要利用这样的高阶信息，挑战是不可忽视的：

（1）与目标用户具有高阶关系的节点会随着阶数的增加而加剧增加，这样给模型带来了计算过渡；（也就是后文embedding layer做铺垫）

（2）高阶关系对预测的贡献是不平等的，这就要求模型权衡的选择他们（也就是后文attention引入的权值矩阵做铺垫）

 

最近有几项努力试图利用CKG结构进行推荐，大致可分为两类：基于路径和基于正则化的：

（1）基于路径的方法提取携带高阶信息的路径，并将其输入预测模型。为了处理两个节点之间的大量路径，他们要么应用路径选择算法来选择突出 的路径，要么定义元路径模式来约束路径，这种两阶段方法的一个问题是，路径选择的第一阶段对最终性能有很大的影响，但并没有针对推荐目标进行优化，此外，定义有效的元路径需要领域知识，对于具有不同类型关系和试题的复杂KG来说，这可能是相当劳动者密集的，因为必须定义需多元路径才能保持模型的保真度。