作者及单位
解决问题
基于知识图谱的推荐系统能够缓解数据的稀疏性以及冷启动问题，并且可以增加推荐系统的多样性和可解释性。RippleNet就是基于KG的推荐模型，其主要目的也是尝试解决上述问题。
除此之外，RippleNet是第一个将基于嵌入和基于路径的方法结合起来的模型。基于嵌入的方法通常更适用于图形内链路预测应用，而推荐场景我们需要更多的去发现潜在用户感兴趣的点，而不仅仅是利用当前已有的节点，所以学习实体嵌入在描述项目间关系时不够直观和有效。
何为图内链路预测：通过已知的网络节点及网络结构等信息，预测网络中尚未产生连接的两个节点之间产生连接的可能性。
基于路径的方法严重依赖于手动设计的元路径，这在实践中很难优化。 另一个问题是，在某些场景（例如，新闻推荐）中，实体和关系不在一个域中，无法手动设计元路径。
而RippleNet避免了上述两种方法存在的问题：（1）RippleNet通过偏好传播将KGE方法自然地融入到推荐中；（2）RippleNet可以自动发现从用户历史记录中的项目到候选项目的可能路径，而无需任何手工设计。
RippleNet模型介绍
RippleNet主要思想
RippleNet是一种用于知识图谱感知推荐的端到端框架，其目的是点击率（CTR）预测。RippleNet的关键思想是用户的偏好传播，它将用户的历史兴趣视为KG中的种子集，然后沿着KG连接迭代地扩展用户的兴趣，自动发现用户对候选项目的分层潜在兴趣。
通俗来说，用户的兴趣以其历史记录为中心，在知识图谱上逐层向外扩散，而在扩散过程中不断的衰减，类似于水中的波纹，因此称为RippleNet。
RippleNet网络结构
在介绍整体框架之前，首先引入两个概念。
（1）用户的k-hop相关实体：
，其中，
表示用户的历史交互项目；
（2）用户的k-hop ripple set：以k-1个相关实体为head的相关三元组：
。
一般情况下，为避免ripple set过大，会设定一个k的最大值进行截断。ripple的含义：用户对项目的潜在兴趣由其历史偏好激活，然后沿KG中的连接从近到远逐层传播；用户在ripple集中的潜在偏好强度随k的增加而降低。
下面，看看RippleNet的具体网络结构。
如图，模型的输入是用户
框架中提到的，要利用
（1）在关系空间
（2）获得相关概率后，将
之后将
最后，结合用户嵌入和项目嵌入，输出的预测点击概率为：
RippleNet的损失函数
在给定知识图谱G，用户的隐式反馈(即用户的历史记录)Y时，我们希望最大化后验概率：，其中
包括所有实体、关系和项目的嵌入。
后验概率可以转化为（根据概率的乘法公式）：
最终损失函数为：
总结
RippleNet通过引入偏好传播，克服了现有基于嵌入和基于路径的KG感知推荐方法的局限性，论文在三个推荐场景中进行了大量实验。结果都表明RippleNet具有显著的优势。
RippleNet中用户的偏好传播丰富了用户嵌入，能够更好的发现用户的潜在兴趣，我认为该论文中的k-hop思想非常值得思考，可以尝试和一些现有的算法结合，可能会有更好的效果。
参考
论文地址：https://arxiv.org/pdf/1803.03467.pdf
//www.greatytc.com/p/c5ffaf7ed449
https://zhuanlan.zhihu.com/p/73716930?ivk_sa=1024320u
