ACKRec
标题：Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View
作者：Jibing Gong, Shen Wang, Jie Tang, etc.
发表：SIGIR 2020
MOOCs场景下直接推荐课程忽视了知识概念的推荐。论文提出了一个基于图神经网络的端到端的方法，注意力的异质图卷积深度知识推荐（ACKRec）来进行MOOCs中知识概念的推荐。使用内容信息和上下文信息，通过图卷积网络学习实体的表征。除了学生和知识概念，还考虑课程、视频、老师等其他类型的实体来构建异质信息网络来捕获丰富的语义信息并将其结合到表征学习的过程。同时还使用元路径来指导用户偏好的传播，利用注意力机制结合不同元路径的上下文信息。使用扩展的矩阵分解（MF）方法付来学习模型参数。
实验
数据集：XuetangX
评价指标：HR@K, NDCG@K (每一个正例选99个负例)
对比方法：BPR, MLP, FM, FISM, NAIS, NASR
DEKR
标题：DEKR: Description Enhanced Knowledge Graph for Machine Learning Method Recommendation
作者：Xianshuai Cao, Yuliang Shi, etc.
发表：SIGIR 2021
目前有大量的机器学习方法，如何为特定的数据集和任务选取合适的机器学习方法是一个挑战。论文提出了一个基于描述增强的机器学习知识图谱方法DEKR，来为给定的机器学习数据集推荐合适的机器学习方法。它包括两个关键的组成部分：1）一个图神经网络使用注意力机制从多阶邻居中聚集信息来丰富种子节点的表征。2）一个基于描述文本的深度协同过滤网络来获取描述特征线性或者非线性的交互。
实验
数据集：从学术平台上自己构建的数据集
评价指标：AUC, F1, precision@K, recall@K, NDCG@K
对比方法：BPR, MLP, FM, FISM, NAIS, NASR
DivKG
标题：Enhancing Recommendation Diversity using Determinantal Point Processes on Knowledge Graphs
作者：Lu Gan, Diana Nurbakova, etc.
发表：SIGIR 2020
在Top-N推荐中虽然准确李是非常重要的要素，但很多方法却忽视了多样性和可解释性。论文提出了DivKG使用知识图谱嵌入和行列式点过程（DPP）来均衡准确率和多样性。首先模型从知识图谱结构中捕获用户、物品、额外实体间的不同类型的关系，然后利用各种历史交互来优化margin-based loss将实体和关系表征成k维的向量。这些表征将会用来构建DPP的核矩阵以进行top-N的多样化预测。
实验
数据集：MovieLens-100K
评价指标：hit@K, NDCG@K，ILAD, ILMD(多样性)
对比方法：BPRMF, RCF, FISM, MMR
Fair
标题：Fairness-Aware Explainable Recommendation over Knowledge Graphs
作者：Zuohui Fu, Yikun Xian, etc.
发表：SIGIR 2020
在智能决策系统中，公平越来越重要。可解释推荐系统会存在解释偏差和变现差异。论文发现不活跃的用户因为训练数据的缺乏更容易收到不满意的推荐。由于协同过滤的特性，他们收到的推荐内容可能收到活跃用户偏差的影响，导致系统的推荐不公平。论文提出了一个通过启发式重排序的公平约束方法来缓解基于知识图谱的可解释推荐系统的不公平问题。
实验
数据集：Amazon item ecommerce datasets
评价指标：NDCG，F1 对比方法：HeteroEmbed, PGPR, KGAT
HAKG
标题：Hierarchical attentive knowledge graph embedding for personalized recommendation
作者：Xiao Sha, Zhu Sun, Jie Zhang
发表：Electronic Commerce Research and Applications
当前基于知识图谱的推荐系统要么通过有限信息的路径来表征用户-物品的连接或者通过在整个知识图谱上带有不可避免噪声的信息传播来隐式地对它们建模。论文设计了一个新的层级注意力知识图谱嵌入（HAKG）框架来挖掘KG的信息以做高效的推荐。HAKG首先提取连接用户物品对的有代表性的子图来描述它们的连接，提供了KGs的语义和拓扑结构。这些子图会通过一个层级注意力子图编码器来编码来生成高效的子图嵌入，提高用户偏好预测。
实验
数据集：MovieLens1M, Last-FM, Yelp
评价指标：Hit@N, NDCG@N, MRR@N
对比方法：MostPop, BPRMF, NeuMF, LR-GCCF, LightGCN, CKE, FMG, MCRec, HAN, RKGE
K-DCN
标题：Improving Conversational Recommender System by Pretraining Billion-scale Knowledge Graph
作者：Chi-Man Wong, Chi-Man Wong, etc.
发表：ICDE 2021
电商平台的对话推荐系统（CRSs）旨在通过多轮对话交互向用户推荐物品。点击率（CTR）预测模型通常用来对候选物品进行排序。然而大多数CRSs存在数据缺失和稀疏的问题。为了解决这个问题，论文提出了一个新的知识增强深度交叉网络（K-DCN），是一个两步骤（预训练和精调）CTR预测模型。论文首先使用用户、物品和对话信息构建了一个十亿级别的对话知识图谱（CKG），然后使用知识图谱嵌入方法和图卷积网络来预训练编码CKG图的语义和结构信息。为了让CTR预测模型明白用户的当前状态以及对话和物品的关系，论文基于预训练的CKG引入了用户状态和对话交互表征，提出了K-DCN。在K-CDN中，通过深度交叉网络融合了用户状态表征、对话交互表征和其他普通的特征表征，给出候选物品的推荐排名。
实验
数据集：Alime salebot
评价指标：AUC
对比方法：DCN, WDN, DNN, GBDT, LR
KGQR
标题：Interactive Recommender System via Knowledge Graph-enhanced Reinforcement Learning
作者：Sijin Zhou, Xinyi Dai, etc.
发表：SIGIR 2020
交互推荐系统（IRS）因为灵活的推荐策略和对用户长期行为的考虑而吸引了广泛研究者的关注。为了解决用户动态的兴趣并优化累计效用，研究在IRS中引入了强化学习。然而强化学习方法有着 sample efficiency的问题，即由于稀疏的用户响应和大量候选物品构成的大的行动空间，训练一个高效的推荐策略需要大量的交互数据。另外，在在线环境上使用探索的策略来收集大量数据是不可行的，这可能会影响到用户体验。该论文探索了使用知识图谱解决这些强化学习方法问题的可能性。论文使用知识图谱中物品关联的先验知识而不是探索学习RL策略来指导候选物品的检索、丰富物品和用户状态的表征以及通过在知识图谱上关联物品的用户兴趣传播来解决稀疏的用户反馈。
交互推荐系统与传统的推荐系统不同，它是一个多步决策的过程，在每一步中，系统分发一个物品给用户并且可能收到用户的反馈，之后序列的方式分发下一个推荐决定。推荐和反馈的交互会持续到用户的会话结束。IRS的目标是探索用户新的兴趣点，同时利用已经学习到的用户偏好，来提供精准的预测。
实验
数据集：Book-Crossing, Movielens-20M
评价指标：Average Reward, Average Cumulative Precision@T, Average Cumulative Recall@T
对比方法：GreedySVD, GRU4Rec, LinearUCB, HLinearUCB, DDPGKNN, DDPGR, DQNR
KOPRA
标题：Joint Knowledge Pruning and Recurrent Graph Convolution for News Recommendation
作者：Yu Tian, Yuhao Yang, etc.
发表：SIGIR 2021
使用知识图谱来丰富新闻文章的语义表征非常有效，之后用户的表征会基于这些新闻表征获得。然而不同的用户可能对同一篇新闻文章有着不同的兴趣点，因此直接识别用户感兴趣的实体并由此得到用户表征可能会得到更好的新闻推荐结果和解释。基于这样的考虑，论文提出了基于知识裁剪的循环图卷积网络（KOPRA）来进行新闻推荐。KOPRA从用户点击历史和知识图谱中识别出相关实体来获取用户表征，而不是从KG中提取出一篇新闻文章的相关实体。论文首先使用从新闻标题和摘要中提取的种子实体构建一个初始的实体图。然后一个联合知识裁剪和循环图卷积的机制使用KG中的相关实体来增强每个种子节点。