1. Motivation
融合吸收side-information是緩解CF冷啓動問題的一種解決方案，但是真實場景中的物品屬性並不是isolated，它們之間彼此相連。簡單的拼接或者非線性交互並不能很好的提取到這些屬性之間的關聯。爲此，我們可以將物品和描述物品的屬性放在一張知識圖譜裏面考慮，並且用GCN的方式吸收鄰居的表達，並且隨着迭代次數的增加，可以提取到用戶“長距離”的興趣，這在普通MLP中是無法做到的。
2. Method
首先，知識圖譜裏面存在的一些定義。物品和描述物品的屬性都可以看成是實體，它們之間的描述可以看成是關係，那麼對於物品-屬性知識圖中，存在一種描述關係，即（h,r,t）。我們的目標就是要在已知的條件下預測用戶會不會與物品產生交互。其實把上述的問題描述清楚之後，解決方案也就很明確了。物品和很多屬性相連，我們可以通過物品鄰居（屬性）用sum，concat或者其他方式求得物品的表達，同時並不是每一個實體都對物品有一樣的權值，這個是由用戶決定權值的大小，因此此處用到attention來求得每一個屬性對物品貢獻的權值。
attention得分還是用softmax求得：
聚合方式如前所述，這裏不加敘述。
3.Experiments
本書目的有二，其一CTR預估，其二topn推薦。因此需要分別進行試驗驗證。本文試驗是很充分的，超參（鄰居節點採樣個數，hop數，embedding大小）都進行了實驗，另外本文其實不算一篇很難的文章，也只不是過是異構知識圖譜的一個表達，目的也是爲了求的物品embedding的一個更好的表達。