作者以及单位
Xin Xin , Xiangnan He
解决问题
比基于item的协同过滤(collaborative filtering, ICF)做到更细粒度的推荐。
ICF的关键假设是用户应该选择与其历史上交互过的物品相似的物品。相似度通常是通过用户交互来判断的——两个物品在过去被用户交互的可能性有多大。现有的ICF方法具有普遍性和有效性，但作者认为这些方法还不够充分，因为它们只考虑了宏观层面的、粗粒度的、缺乏具体语义的协同相似关系。
RCF把ICF由隐式和单一的联系，变为了显示和多重的联系（我觉得故事是说的很好）
研究动机
首先说说我关注这个文章动机：很多文章是基于模型的叠加，但是这个事情做的不好就比较low，做好了正在能解决实际问题，就比较经典，例如deepFM，NCF，或者这篇RCF。
这个文章动机是：当两个用户A和B观看了同一部电影《外星人》，A喜欢小说主题，看下一部《复仇者》，B喜欢导演，选择了《辛德勒的名单》看下一部。即，如果在数据特征的细粒度处理部分，能够上述区别体现出来，准度就可以进一步提高。
因为本文定位是在CF协同过滤上的修改，协同过滤如果不能解释用户背后决策的真正原因，就无法正确的推荐产品，例如买了羽毛球拍，就要推羽毛球，原因同类，买了羽毛球推球拍，原因功能性。
研究方法
整体结构如下：利用2层将多个item关系利用attention整合形成user preference以及提高item embedding的表示。
注意：我看大部分模型结合的工作都是在embedding上做文章
下面我解释一下公式的实现，在此，我抓大放小说大逻辑，细节部分（例如防止梯度爆炸，如何平滑处理，这里都不谈，很多文章都介绍），大的逻辑就3个：
1.第一级：relation type（上面看电影的图）
2.第二级：relation value
3.处理偏执bias
变量定义如下：
符号定义
首先*第一级由user embedding与type embedding计算对应的attention score，因为relation type在这一过程中占有重要的地位。例如，用户在看电影时可能会关注电影类型
然后利用softmax函数来计算对应的权重
然后在对二级关注点进行建模时，既要考虑项目，也要考虑相应的关系值。从这个角度，我们定义为：
现在我们完成了目标感知用户嵌入的建模。在此基础上，我们利用多层感知器(MLP)计算用户对第项的最终预测得分，结果如下
我们利用BPR逐对学习框架来定义目标函数，如下所示：
创新点
核心创新点应该就是把ICF改为了RCF，然后两层进行协同处理。
结论
我们可以看到RCF比FM提高了不少
参考
Relational Collaborative Filtering: Modeling Multiple Item Relations for Recommendation简析_loserChen的博客-CSDN博客
Relational Collaborative Filtering: Modeling Multiple Item Relations for Recommendation - 简书 (jianshu.com)
