作者以及單位
Yixin Cao （National University of Singapore）
通訊作者 何向南
故事核心：挖掘用戶和項目之間進一步的關系，從而提高性能。
解決問題
問題：設計了一種新的基于翻譯的推薦模型，解決了KG（知識圖譜）的不完整性（現(xiàn)有方法主要假設KG是完整的并且簡單地在實體原始數(shù)據(jù)或嵌入的淺層中轉移KG中的“知識”）。
具體來說：與之前基于KG的推薦方法不同，我們在KG中傳輸關系信息，以便了解用戶喜歡某個項目的原因。例如，如果用戶觀看了由（關系）同一個人（實體）指導的幾部電影，我們可以推斷出導演關系在用戶做出決定時起著關鍵作用，從而有助于理解用戶的偏好。更細的粒度。
結果：提高了理解用戶偏好方面的優(yōu)勢。
研究動機
提出了一個基于翻譯的用戶偏好模型（TUP），以便與KG無縫集成。動機是理解在用戶和項目之間存在多個（隱含的）關系，這進一步揭示了用戶對消費項目的偏好（即原因）。
創(chuàng)新點
我覺得這個圖畫的很好，頂會果然講究看圖說明問題。
圖表達的意思在論文的2.3介紹了：
KG完成的目的是為Robert Zemeckis給出明確關系，如isDirectorOf提供正確的電影（例如，飛越長生Death Becomes Her，不錯的電影），而項目推薦旨在為滿足某些隱含偏好的目標用戶推薦電影（例如，以前只喜歡回來未來12和阿甘，不知道飛越長生），但是知識圖譜指明這個飛越長生也是Robert Zemeckis導演的，雖然飛越長生和回來未來12和阿甘不同風格，也會推薦給用戶。
因此，論文通過聯(lián)合模型填補項目推薦和KG完成之間的差距，系統(tǒng)地研究這兩個任務如何相互影響。
研究方法
1.提出的方法包括兩個任務：項目推薦和知識圖譜補全。
通過聯(lián)合模型TUP填補項目推薦和KG完整之間的差距，系統(tǒng)地研究這兩個任務如何相互影響。
本文采用的是聯(lián)合訓練。是利用聯(lián)合嵌入的方法，利用kg中的facts作為輔助信息；基于user-item的模擬，填補kg中facts的缺失。
項目推薦存在的問題：許多方法將基于相似性的方法擴展到NN，但是，它們仍然存在數(shù)據(jù)稀疏性問題和冷啟動問題?；趦热莸姆椒ㄍㄟ^引入各種輔助信息來處理問題，但是，相關方法嚴重依賴于項目和實體之間的對齊，但仍未考慮實體關系在從KG轉移知識方面的重要性。
知識圖譜補全存在的問題：最近對KG補全，熱衷于研究顯示出對學習實體和關系的低維表征，同時堅持圖的結構知識。粗略地將學習方法分為兩組：平移距離模型和語義匹配模型。平移距離模型的核心思想，即兩個實體之間的關系對應于它們的向量空間中的平移。雖然它簡單而有效，但它有時會令人困惑，因為某些關系可以將一個實體轉換為各種實體，即1對N問題。第二組通過基于相似性的評分函數(shù)匹配實體和關系的語義表示來測量事實的合理性（我看原文好像沒有說這里存在的問題）。
2.提出的模型TUP和KTUP是什么
TUP（Translation-based User Preference）：聯(lián)合KG學習，并利用user-item之間的多重隱性關系，揭示用戶的偏好。為了使偏好具有明確的語義，將它們與KG中的關系對齊，項目屬性的類型在用戶決策過程中扮演著至關重要的角色。
KTUP（Knowledge-enhanced TUP）：將學習到的關系嵌入和實體嵌入進行了從KG遷移到TUP，同時訓練KG的完整性和推薦任務。聯(lián)合學習user、items、實體和關系的表示。將TUP和TransH進行聯(lián)合學習。
3.這兩個模型具體是干嘛
3.1TUP: 主要考慮偏好誘導和基于超平面的轉化
偏好歸納Preference Induction（我覺得這里的introduction翻譯歸納比較好）：設計了兩種偏好誘導策略:一種是從潛在因子P個偏好中選擇一個的Hard Strategy和一種將所有偏好與注意力結合起來的soft Strategy。
Hard Strategy:推薦有效的單一偏好，利用得分函數(shù)（點積）
soft Strategy：通過注意力機制（attention mechanism）來聯(lián)合多重偏好。
基于超平面的轉化：解決不同的用戶可以對不同的項目共享相同的偏好（即，N對N問題）。以前的方法a為了解決一個用戶同時喜歡2個items，那么這兩個Items的用戶嵌入就很接近。我理解的意思是，無論用戶的偏好是什么，兩個item近不近沒有關系，消費者都應該消費另一方，怕理解錯（原文是leading to an incorrect conclusion that a user consuming one shall consume the other, no matter what the user’s preference is.）而b所示的偏差超平面來減輕這種限制，并且僅當它們被投影到特定超平面時才是相似的（在不同平面item沒有關系）。
3.2 KTUP通過結合實體的KG知識以及關系來擴展基于翻譯的推薦模型TUP
首先，有兩個輸入，一個輸入是item，一個輸入是kg。
其次，有三個層次，最上層次是項目推薦的TUP，包括兩個組件：偏好感應和基于超平面的翻譯。最下層是知識圖譜補全的TransH。中間層 KTUP聯(lián)合學習TUP和TransH，通過轉移實體知識和關系來增強項目和偏好建模。
總體目標函數(shù)訓練KTUP，如下所示(Lp是TUP， Lk是KG，總函數(shù)比較好理解）：
結論
TUP能夠對用戶和項目之間的各種隱式關系建模，這揭示了用戶對消費項目的偏好。
KTUP通過對齊的關系和權限進一步增強了模型的可解釋性，并通過聯(lián)合學習提高了兩個任務的性能。
總的來說，我抓大放小突出了這篇文章的工作。如果看懂了，會覺得“可能很簡單”，因為主要思想就是AB兩個模型共同融合做出推薦結果，A負責把item推薦優(yōu)化的更好，B負責把知識圖譜推薦優(yōu)化好，然后弄個超參學習一下，共同決策結果，符合一般的組合模型設計思路。
但其實無論是在TUP和KTUP的設計過程中，細節(jié)考慮的工作特別多，建構的設想也很多，應該是看了不少文獻，把這些文獻的問題拿捏的很準，動機合理，故事說的很好。最后的實驗工作量很大，方方面面都測試到了。投頂會果然是每個細節(jié)都做到完美了。
