1.motivation
爲了緩解冷啓動問題，本文考慮將知識圖譜當成物品的side-information。目前存在兩類KG-aware的方法：基於KG embedding的方法，這類方法考慮實體以及屬性，並將其吸收進物品的表達，這類方法適合圖內預測的任務，比如link-prediction；基於路徑的方法，這類方法考慮實體關係之間的元路徑或者元圖，但是現實中元路徑是數不清的，這不適應於新聞推薦，因爲手動設計元路徑不適合。本文提出一種結合兩種算法的優勢，既將KG embedding個人偏好傳播考慮其中，又無需手動設置元路徑自動找到一條從歷史物品中與候選物品的關聯。比如用戶看了黃渤主演的瘋狂的石頭，黃渤又主演了瘋狂的賽車，那麼這樣就可以存在一條路徑使得用戶，瘋狂的石頭，黃渤，瘋狂的賽車相連。
2.method
第一步將用戶歷史交互或者感興趣的物品作爲種子，確定k-級和用戶相關的實體，
再借由實體集確定k-級的關聯的三元組
可以看見隨着級數k增加，相關性是在減少的，像水波一樣，遠離中心點的水波紋是越來越淺的。
第二步，偏好傳播。儘管每級都有很多實體相連，但是每個鄰居的的重要性是不一樣的，這裏在每層，都進行如下的操作。
最後加權求和，
最後用戶的表達爲：
第三步，預測，用戶和物品表達用內積作爲預測值，也就是用戶對物品的偏好值。
3.experiments
本文主要的應用場景是CTR預估，當然也做了物品推薦的任務。例行公事的超參敏感、消融學習，這裏就不贅述，還是講一下實驗的亮點。
本實驗給出了case study，也就是真實數據集中實體相關度的一個可視化圖。
4.conclusion
本文的優勢在於綜合了兩類kg-aware方法的優點，考慮用戶-物品-屬性更深層次的連接，從屬性的關聯推測可能推薦的物品。但是該方法有一個缺陷，嚴格依賴實體的屬性表達，也就是非常依賴整個知識圖譜的構建。假設我描述物品的屬性不夠多，那麼這種方法是否還能取得更好的效果呢？