1. Motivation
稀疏性問題是推薦系統必須要面臨的一個挑戰，把side-information包含進基於MF的方法是一個很好的方式。但是物品的屬性是一種結構化的數據，用簡單的MLP並不能學習到它們之間的關聯，從而無法全面的刻畫一個物品。本文提出基於知識圖譜的embedding來刻畫物品的顯式信息，這種是從圖結構中學到的關聯，能夠比較充分地學習到物品的表達。本文關於物品的表達有三個部分，另外兩個分別是文本信息和圖片信息。
2. Method
這種圖展示了刻畫物品的三類信息，這裏主要講解結構化數據的特徵提取。這裏結構化embedding使用TransR來求得，即將兩個存在於實體空間的實體向量通過映射在關係空間的關係向量連接，即：
而TransR的目標函數是:
此處我們會想到用BPR去訓練，其中vt作爲負採樣的樣本。最後求得vh作爲結構化數據的表達。
3. Experiments
爲了證明每個部分學習的有效性，分別選取baseline測試。最後再整個學習，證明推薦的有效性。