这是本文的PyTorch和DGL实现：

Xiang Wang, Xiangnan He, Yixin Cao, Meng Liu and Tat-Seng Chua (2019). KGAT: Knowledge Graph Attention Network for Recommendation. Paper in ACM DL or Paper in arXiv. In KDD'19, Anchorage, Alaska, USA, August 4-8, 2019.

你可以点击 这里 找到论文作者的Tensorflow1.0的实现。 PyTorch和DGL实现代码改自这里 。

代码优点：

• 整体框架搭建得很好，之后做实验也可以借鉴这个框架
• 编程风格好，结构清晰，大致可分为参数、数据和模型三部分
• 借用argparse编写了相对友好的命令行设置参数的接口
• logging日志模块输出信息到控制台和文件
• 在某个epoch达到一定效果时保存模型

代码缺点：

• 大量重复的代码，显得臃肿
• 测试集评估时，因为底层一些函数原因，把gpu中的张量放到cpu中执行，效率低
• 一次性读取数据集，大量的全局变量，对内存和显存都不友好

知识图注意力网络（KGAT）是专门针对知识感知的个性化推荐量身定制的新推荐框架。KGAT建立在图神经网络框架之上，对协作知识图中的高阶关系进行了明确的建模，以提供更好的项目侧信息推荐。

如果您想在研究中使用代码和数据集，请联系论文作者，并引用以下论文作为参考：

@inproceedings{KGAT19,
  author    = {Xiang Wang and
               Xiangnan He and
               Yixin Cao and
               Meng Liu and
               Tat{-}Seng Chua},
  title     = {{KGAT:} Knowledge Graph Attention Network for Recommendation},
  booktitle = {{KDD}},
  pages     = {950--958},
  year      = {2019}
}

代码中做了大量注释，如果对本代码有疑问，请联系我：

@author: Kang Xiatao ([email protected])

该代码已经过测试，可以在Python 3.8.5下运行。

所需的软件包如下：

• torch == 1.7.1
• dgl-cu101 == 0.5.3
• numpy == 1.18.5
• pandas == 1.1.3
• sklearn == 0.23.2

• FM

python main_nfm.py --model_type fm --data_name amazon-book

• NFM

python main_nfm.py --model_type nfm --data_name amazon-book

• KGAT

python main_kgat.py --data_name amazon-book

作者提供了三个数据集：Amazon-book, Last-FM, and Yelp2018.

我爬取了豆瓣Top250制作了一个数据集：douban250

• 作者用的是公开数据集，你能在这里找到完整的数据集 Amazon-book, Last-FM, Yelp2018.
• 豆瓣的数据集可能因为过于稀疏的原因，训练效果很差，有时间再重新制作整理一次

原代码中用到了多GPU训练，因条件受限，BPRMF,ECFKG,CKE暂时没有测试结果

• amazon-book数据集：

• last-fm数据集：

• yelp2018数据集：

• KGAT
  • 提出了 KGAT: Knowledge Graph Attention Network for Recommendation, KDD2019.
  • 论文作者的实现：https://github.com/xiangwang1223/knowledge_graph_attention_network
  • 关键点:
    • 在协作知识图中对高阶关系进行建模，以提供带有项边信息的更好推荐。
    • 依次训练KG部分和CF部分。