MCRec
标题：Leveraging Meta-path based Context for Top-N Recommendation with A Neural Co-Attention Model
作者：Binbin Hu, Chuan Shi, etc.
发表：KDD 2018
异质信息网络（HIN）被广泛应用于推荐系统，但是由两个主要的不足：模型很少学习到推荐任务中路径或者元路径的显式表征；模型没有考虑交互中元路径与涉及到的用户-物品对间的相互影响。为此，论文提出了一个带有 co-attention 机制的深度神经网络来利用丰富的基于元路径的上下文来进行 top-N 推荐。
现有基于 HIN 的推荐方法可分为两类：1. 利用 HIN 中的基于路径的语义关系作为 direct feature 来判断推荐相关性。2. 在基于路径的相似性上执行转换（如矩阵分解）来学习有效的 transformed features 增强用户和物品的特征。
解决了三个关键问题：Q：怎样设计适合复杂的基于 HIN 交互场景的基础架构？ A：三路神经交互模型，在交互中显式加入基于元路径的上下文。Q：怎样生成有意义的路径实例来构建高质量的基于元路径的上下文？A：使用基于优先级的采样技术。Q：怎样捕获一个交互中基于元路径的上下文和涉及到的用户-物品对之间的相互关系？A：使用 co-attention 机制来相互提升基于元路径的上下文、用户和物品的表征。
实验
数据集：Movielens, LastFM, Yelp
评价指标：Prec@K, Recall@K, NDCG@K (每一个正例选50个负例)
对比方法：ItemKNN, BPR, MF, NeuMF, SVDFeature, HetaRS, FMG
FMG
标题：Meta-Graph Based Recommendation Fusion over Heterogeneous Information Networks
作者：Huan Zhao, Quanming Yao, etc.
发表：KDD 2017
基于 HIN 推荐面对的两个问题：怎样表示推荐中的高层语义以及怎样融合异质信息来推荐。论文引入了 meta-graph，并且使用“matrix factorization (MF) + factorization machine(FM)”方法来解决信息融合问题。对每一个 meta-graph，首先在 meta-graph 指导下计算用户-物品的相似矩阵，然后通过无监督（不使用评分）MF 来将矩阵分为用户和物品潜在向量的集合。使用 FM 将多个从不同 meta-graph 得到的向量集合组合。为了高效地选取有用的 meta-graphs，使用 FM with Group lasso (FMG)。
元路径和元图
为了描述丰富的语义特征，异构信息网络先根据实体类型建立一个网络架构。例如，对于Yelp数据集，包含的实体类型有用户（User）、评论（Review）、词（Word）、业务（Business）等，可以定义如下的网络架构：
然后可以根据网络架构定义一些元路径来捕获两个实体间的语义相关性。比如，可以定义“User–>Review–>Word–>Review–>Business”这样一条元路径。这条元路径定义了一种用户与业务间的语义相关性，去度量“如果用户的评论与其他用户对某种业务的评论相似，是否该用户会喜欢这个业务”。
但是元路径可能并不是捕获丰富语义的最好方式。如果我们想捕获“用户 \(U_1\) 和用户 \(U_2\) 评分了同种类型的业务（如餐厅），同时又提及了同一方面（如海鲜）”这种语义，元路径是无法实现的，所以提出了元图（meta-graph）。如此，刚才的语义可以通过下面的元图来捕获：
实验
数据集：Yelp, Amazon
评价指标：rootmean-square-error (RMSE)
对比方法：RegSVD, FMR, HeteRec, SemRec
RKGE
标题：Recurrent knowledge graph embedding for effective recommendation
作者：Zhu Sun, Jie Yang, etc.
发表：RecSys 2018
当前的知识图谱推荐方法主要依赖于从KG中手工构建的特征（如元路径）。论文提出了RGKE，自动地挖掘实体对间可能的路径，并将路径通过一批循环神经网络（相同参数）编码，然后通过池化操作来判别不同路径的重要性来表示用户对物品的偏好，最后加入推荐层使得RKGE成为一个端到端的模型。
实验
数据集： IM-1M(IMDB and MovieLens 1M), Yelp
评价指标：Prec@N, top-N Mean Reciprocal Rank (MRR)
对比方法：MostPop, BPRMF, NCF, LIBFM, HeteRS, HeteRec, GraphLF, CKE
CFKG
标题：Learning over Knowledge-Base Embeddings for Recommendation
作者：Yongfeng Zhang, Qingyao Ai, etc.
发表：2018
使用知识库来推荐的一个巨大的挑战是如何在利用协同过滤高准确率的优点同时融入大规模的结构和非结构化数据。论文提出了再知识库嵌入上推理来个性化推荐，具体的，论文提出了知识库表征的学习方式来对异构实体进行嵌入。
实验
数据集： Amazon e-commerce dataset
评价指标：Precision, Recall, Hit-Ratio and NDCG
对比方法：BPR, BPR_HFT, VBPR, DeepCoNN, CKE, JRL
KGAT
标题：KGAT: Knowledge Graph Attention Network for Recommendation
作者：Xiang Wang, Xiangnan He, etc.
发表：2018
论文提出了一个新方法Knowledge Graph Attention Network (KGAT) 以端到端的方式显式地为 KG 中高层的连接建模。它从节点的邻居递归地传播嵌入值来调整节点的嵌入，并且采用了注意力机制来判别邻居的重要性。KGAT 理论上对现有的基于KG的推荐方法都有利，它通过提取路径来利用高阶的关系或者隐式地通过正则化将他们加入模型。
实验
数据集： Amazon-book, Last-FM, and Yelp2018
评价指标：recall@K, ndcg@K
对比方法：FM, NFM, CKE, CFKG, MCRec, RippleNet, GC-MC
RippleNet
标题：Exploring High-Order User Preference on the Knowledge Graph for Recommender Systems
作者：Hongwei Wang, Fuzheng Zhang, etc.
发表：ACM Transactions on Information Systems 2019
为解决已有基于嵌入和基于路径的知识图谱推荐方法的局限性，论文提出了 RippleNet，一个自然地将KG融入推荐系统的端到端的框架。RippleNet有两个版本：（1）向外传播版本，类似于实际中的水波，通过KG中的链接自动迭代地扩展用户潜在的兴趣在知识实体集上的传播。多个由用户历史点击物品激起的“水波”重叠来构成用户对候选物品的偏好分布。（2）向内聚集版本，在计算给定实体的表征时聚集结合邻居的信息。邻居可以通过多跳扩展来捕获用户长距离的兴趣。
实验
数据集： MovieLens-20M, Book-Crossing, Bing-News
评价指标：Precision@K, Recall@K, F1@K
对比方法：LibFM, Wide&Deep, PER, CKE, SHINE, DKN
KGCN
标题：Knowledge Graph Convolutional Networks for Recommender Systems
作者：Hongwei Wang, Miao Zhao, Xing Xie etc.
发表：WWW 2019
论文提出了Knowledge Graph Convolutional Networks (KGCN)，通过挖掘KG中物品间的相关属性来高效捕获他们之间的关系。为了自动地发掘KG中高层的结构信息和语义信息，对每一个实体，论文从邻居中采样作为他们的接受域（receptive field），然后在计算实体表征时根据不同的权重结合邻居的信息。接受域可以通过多跳扩展来获取用户潜在的远距离喜好。
实验
数据集： MovieLens-20M, Book-Crossing, Last.FM
评价指标：AUC, F1, Recall@K
对比方法：SVD, LibFM, LibFM + TransE, PER, CKE, RippleNet
