提出知识感知的路径循环网络 Knowledge-aware path recurrent network KPRN. 通过组合实体和关系的语义生成每个路径的表示; 采用LSTM捕获元素的顺序依赖关系和路径上的原因，以此推断用户的偏好; 未来工作 采用GNN模拟KG中用户偏好的传递过程

2018年11月12日 · In this paper, we contribute a new model named Knowledge-aware Path Recurrent Network (KPRN) to exploit knowledge graph for recommendation. KPRN can generate path representations by composing the semantics of both entities and relations.

本文提出的KPRN模型不仅通过考虑实体和关系来生成 路径的表示向量，而且还能够基于路径进行推理以推断 用户的偏好。 这篇文章主要的贡献有：1）通过路径表示来进行 显式推理；2）提出了一个端对端的神经网络模型来学习路径的语义表示，并将其融入商品推荐中. KPRN模型架构如下： 嵌入层 包含3个独立的层，分别用于表示实体，实体类型和关系类型。 将这3个嵌入向量拼接起来即为path的表示向量，作为LSTM的输入。 从推理的角度来看，使用所有路径上的连通性来学 …

This is code related to the AAAI 2019 paper "Explainable Reasoning over Knowledge Graphs for Recommendation.". The code makes extensive use of machine learning techniques, and will be useful for training and prediction of recommendation attributes of media, or other items as described in the paper.

In this paper, we contribute a new model named Knowledge-aware Path Recurrent Network (KPRN) to exploit knowledge graph for recommendation. KPRN can generate path representations by composing the semantics of both entities and relations.

该论文提出了一种基于 循环神经网络 的方法KPRN [1]，建模用户-物品对在知识图谱中存在的关联路径，为用户提供可解释的推荐。 二、问题定义： 传统知识图谱可被定义为在已知实体和关系集合上的有向图： \mathcal {KG}=\ { (h,r,t)|h,t \in \mathcal {E}, r \in \mathcal {R}\} 。 基于隐式反馈的推荐系统则可被定义为已知用户集合 U 、物品集合 I 的用户-物品交互矩阵 R 。

由于不同的路径在刻画用户偏好时权重占比不同，KPRN模型设计了一种带权池化操作来综合不同路径的打分. 该操作类似注意力机制，能对不同路径预测用户-物品交互时的贡献做区分。 最终用户-物品对的打分为. 直接将其作为二分类任务： 数据集采用MovieLens-1M and IMDb datasets, 序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解... 序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然 …

2021年11月4日 · 该论文提出KPRN模型，通过知识图谱的关联路径解释推荐系统，使用LSTM捕捉路径语义，结合加权池化提升推荐的准确性和可解释性。

2019年6月1日 · 本文提出了一种新的知识感知路径递归网络(kprn)模型，利用知识图进行推荐。kprn可以通过组合实体和关系的语义来生成路径表示。通过利用路径中的顺序依赖关系，我们允许对路径进行有效的推理，从而推断用户-项交互的基本原理。

KPRN 由 eBay 开源，是一个知识图谱路径的推荐模型（Reasoning Over Knowledge Graph Paths for Recommendation） 展开 收起