Knowledge Graph Contrastive Learning for Recommendation（KGCL）阅读笔记

现有知识图谱（KG）的稀疏性和噪声使得项目-实体依赖关系偏离了反映其真实特征，从而显着放大了噪声效应，阻碍了用户偏好的准确表示。为了填补这一研究空白，作者设计了一个通用的知识图对比学习框架（KGCL），该框架可以减轻知识图增强推荐系统的信息噪声。

论文链接：https://doi.org/10.1145/3477495.3532009

代码链接：https://github.com/yuh-yang/KGCL-SIGIR22

本篇论文中涉及了知识图谱和对比学习相关理论，因此本篇文章先简要介绍一下知识图谱和对比学习以及其在推荐系统上的应用，然后再解释论文核心原理。

先导

知识图谱：

知识图谱（Knowledge Graph）是一种用于组织和表示知识的图形数据结构，旨在通过节点和边的方式来描述实体（如人、地点、事物）及其之间的关系。知识图谱的主要目的是为了以更加结构化和语义化的方式存储、管理和利用数据，从而帮助计算机理解人类的语言和世界。

 核心概念

1. 实体（Entity）：

   • 实体是知识图谱中的基本单元，表示现实世界中的“物体”