潘承瑞，何灵敏，胥智杰，王修晖，宋承文

1.中国计量大学 信息工程学院，杭州310000

2.中国计量大学 浙江省电磁波信息技术与计量检测重点实验室，杭州310000

随着互联网事物的快速发展，网络信息随之爆炸式增长。为了在海量数据中准确挖掘用户兴趣，推荐算法应运而生，它能够根据用户的历史行为，为用户推荐可能感兴趣的事物，以克服信息过载的问题。

为解决传统协同过滤[1]的数据稀疏和冷启动问题，近十年来，在推荐系统中引入辅助信息成为学术界的探索方向。知识图谱[2]作为一种结构化辅助信息，由于其储存了用户、物品、属性之间的关系，蕴含着丰富的语义，所以能提高推荐结果的准确性、多样性和可解释性[3-5]。具体方法是将用户-项目交互图和用户或项目知识图谱融合为协同知识图——Colloborative Knowledge Graph（CKG）[6]，在CKG 上基于用户的历史交互记录，充分挖掘用户偏好。

为了在CKG 的网络结构中发掘用户的潜在兴趣，需要建立CKG 中的高阶连通性，而建模协同知识图的方法，可分为两类：基于路径和基于图嵌入的方法[7]。以上两种方法，前者将知识图谱分解为一条条独立的线性路径[8]，后者仅获取用户或项目的直接邻居信息，两种方法都没有建立图上的高阶连通性。

为解决现有模型无法捕获CKG中高阶连通性的问题，本文基于近年来在图数据上初步兴起的图注意力网络[9]，融合知识图谱，通过图注意力网络的递归传播过程捕获图中节点的高阶连通性。虽然图注意力网络具有强大的表示能力，但是在信息传播和聚合过程中，忽略了邻居节点间特征交互的重要性。……