关于与HAN的对比

[yuanyuansiyuan]

您好，
1.我理解的本文与HAN的区别在于，HAN通过元路径【一跳或多跳】一次性确定了每个节点的邻居节点集合，没有考虑元路径除了首尾外的其他节点，图上的聚合操作就是基于邻居节点集合只进行了一次迭代，相当于 GAN layer=1.
而本文是在每条rule(元路径)上进行了GCN的聚合操作，rule长度为N, 就迭代N次（GCN layer=N），得到中心节点的聚合表达.
Attention实现方面，HAN针对每条路径上多个邻居之间，多条路径之间计算了两层attention。本文是对所有rules学习了一个全局的权重参数W, 相当于是HAN中的多条路径间的attention? 请问您有跟HAN对比过么？
2.从图三来看，是只以user为中心进行了迭代，对item表示mi为什么不也为中心进行学习呢？
3.本文与KGCN, KGAT最核心的区别是否就是把GCN的传播路径限制到了挑选过的高质量rules上，从而来提升推荐准确性和可解释性？

[nxznm]

您好！

1. 是的，HAN聚合的是meta-path based neighbors (只考虑元路径首尾，没有考虑路径中间的其他节点)。我们这里迭代N次，每次聚合一跳邻居节点信息，在N次聚合后，距离中心节点N跳的节点的信息也聚合进中心节点了。Attention方面，HAN是进行了节点层面与语义层面两次attention操作。我们方法中提出的规则权重W的预训练过程不是标准的attention过程 (但这里W的意义的确是为了聚合不同规则指导产生的user embedding)。我们没有与HAN做对比，因为HAN只是一种GNN架构模型，其并不是面向推荐任务所提出的模型。
2. 我们这篇工作主要关注于user embedding (可以这么理解，我们用rules+GNN来为每个user做个user profile，相关工作中的RippleNet也是这样关注于user embedding的建模)，可以参考这里大致理解下推荐系统中user embedding和item embedding的区别和联系。
3. 是的，通过高质量的rules来保证在GNN聚合时邻居节点的准确性 (避免一些不重要邻居节点引入的噪声)。

希望以上这些能给您带来些与帮助！

[yuanyuansiyuan]

非常感谢您的回复，解决了我的疑问，您的工作很棒，继续学习中~