参与拿奖：本文已参与「新人创作礼」活动，一起开启掘金创作之路
论文题目：UGRec: Modeling Directed and Undirected Relations for Recommendation[1]
发表会议： SIGIR2021
一、Motivation
知识图谱因为可以编码用户-商品以及之间的关系而吸引大量研究，但是很少将注意力转向商品-商品之间的共现信息，而共现信息中包含丰富的商品-商品的相似信息。 作者为了进一步说明共现信息的重要性，举了以下的例子：
如图所示：Item 2是一个动作/冒险类的游戏，由Capcom公司制造，Item 3是一个RPG游戏，由Square Enix公司制造。这两款游戏属于不同的制造商，不同的类型。两者之间没有清晰的属性信息，但是消费趋势表明两者常常被电子游戏爱好者一起购买。这表明两款游戏之间由一些共同的特征，可以引起消费者兴趣同时购买他们。但是这种关系在知识图谱中难以观察（只使用知识图谱的局限性）。Item 4和Item 2属于同一个类型的游戏，但是Item 4在数据集中缺乏其类别信息，这样我们就不能通过类别信息将两个Item通过类别连接起来，但是他们之间有共同的评论信息，这可以帮助学习他们之间的关系并因此起到缓解类别信息缺失的问题。
二、Model
模型主要由两部分构成，Central Entiry Space由已经有的模型进行建模获得
左下方是一个处理非直接的共现信息的板块，其核心是将item-item之间非直接的关系映射到不同的超平面。右上方是一个处理直接有联系的item和user的板块，其中还包含了一个注意力机制用来处理更细粒度的关系。
直接联系空间:hp 、tp、rp分别表示<head、tail、relation>三者不同的投影向量；Ikxk表示一个k维度的方阵，四个embedding vectors都可以通过模型学习获得。
Mrhh和Mrtt是关于hrd和trd的映射矩阵，（不是用的随机初始化的矩阵）。hrd和trd表示head和tail实体在relation r中的投影embedding。W为可训练的权重矩阵、b表示偏差向量。损失函数使用标准的hinge损失。S和S(上划线)分别表示正样例和负样例
。m>0表示安全的边缘大小。
间接联系空间：一种基于矩阵学习的方法。将hc和tc投影到r的超平面，使用注意力机制抓取实体之间细粒度的非直接关系，之后最小化两者在该超平面中的距离。与处理具有直接联系的数据的损失函数一样，使用hinge损失函数。Lambdar和lambdac为超参数，用于控制直接联系和非直接联系对建模的影响。
三、Data & Experiments
数据集：三个数据集(公开的数据集)
四、Performance
从最终表现可以看出，所提出的模型在三个数据集上都取得了SOTA的效果
五、Ablation Study
消融实验从上之下依次对比了：只包含user-item交互信息；只包含具有直接联系的数据；只包含了具有非直接联系的数据；包含具有直接联系和非直接联系数据但不包含attention机制的结果，验证了将具有直接联系和非直接联系的数据加入模型的有效性。
六、Conclusion
The superior performance over two recent KG-based recommendation models validates the effective design of UGRec on separately modeling the directed and undirected relations.
最终的表现证明了UGRec对于直接和非直接联系建模的有效性。
七、References
[1] Zhao X, Cheng Z, Zhu L, et al. UGRec: Modeling Directed and Undirected Relations for Recommendation[C]//Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. 2021: 193-202.
