KGAT的知识图谱注意力，实体-关系联合嵌入的翻译模型？
KGAT (Knowledge Graph Attention Network) 将 user-item 交互图 与 知识图谱 (KG) 结合：物品对应 KG 中的实体，实体间通过关系边相连（如「品牌」「类目」）。在 user-item-entity 的联合图上做 GAT 式注意力：聚合邻居时按「关系类型 + 节点内容」计算注意力权重，得到同时利用协同信号与 KG 语义的 user/item 嵌入，用于推荐。
联合嵌入：不仅学习实体嵌入 $\boldsymbol{e}$，还学习关系嵌入 $\boldsymbol{r}$。翻译模型（Trans 系列）假设 $h + r \approx t$，即头实体 $h$ 加关系 $r$ 应接近尾实体 $t$，损失为 \(\mathcal{L}_{kg} = \sum_{(h,r,t)} \|\boldsymbol{e}_h + \boldsymbol{r} - \boldsymbol{e}_t\|^2 \quad \text{或} \quad -\log \sigma(\gamma - \|\boldsymbol{e}_h + \boldsymbol{r} - \boldsymbol{e}_t\|).\) 这样关系在嵌入空间中有明确方向，可做多跳推理（如 user→item→品牌→同类目 item）。KGAT 在聚合时会把「关系」纳入注意力：例如 $\alpha_{ij} = \mathrm{att}(\boldsymbol{e}i, \boldsymbol{e}_j, \boldsymbol{r}{ij})$，使不同关系类型对邻居权重不同，实现实体-关系联合的图注意力。
推荐损失（如 BPR） + KG 嵌入损失 $\mathcal{L}_{kg}$ 联合训练；或先预训练 KG 嵌入再固定/微调。KG 提供可解释路径（如「同品牌」「同属性」）并缓解物品冷启动（通过属性与关系连接到已知物品）。
| 返回模块 | 返回总览 |