Knowledge graph (KG) can provide auxiliary information for recommender system to alleviate the sparsity and cold start problems, while graph convolutional networks (GCN) has recently been established as the state-of-the-art representation learning method. The combination of them is a promising perspective to improve the performance of graph-structured recommendation. However, most of GCN-based recommendations focus on homogeneous graph or user/item-similarity graph, fail to fully make use of the complex and rich semantics between entities in heterogeneous knowledge graph. In this paper, we develop Hierarchical Attention Graph Convolutional Network Incorporating Knowledge Graph for Explainable Recommendation (HAGERec) to explore users’ potential preferences from the high-order connectivity structure of heterogeneous knowledge graph. To exploit semantic information, HAGERec simultaneously learn the representations of users and items via a bi-directional information propagation strategy. Specifically, the entity’s representation can be aggregated through messages passing from its local proximity structure, and a hierarchical attention mechanism is developed to adaptively characterize and adjust collaborative signals. With the help of the attention mechanism, an attentive entity sampling strategy is proposed to select relevant neighbor entities, and the explainability is endowed to the model by building knowledge-aware connectivity. Experiments conducted on four real-world public datasets demonstrate the state-of-the-art performance and the strong explainability of HAGERec.

知识图（KG）可以为推荐系统提供辅助信息，以缓解稀疏性和冷启动问题，而图卷积网络（GCN）最近已被确立为最新的表示学习方法。它们的组合是改善图结构推荐的性能的一个有希望的观点。但是，大多数基于GCN的建议都集中在同构图或用户/项目相似图上，无法充分利用异构知识图中实体之间的复杂和丰富的语义。在本文中，我们开发了结合了可解释性推荐知识图的分层注意力图卷积网络（HAGERec），以从异构知识图的高阶连通性结构中探索用户的潜在偏好。为了利用语义信息，HAGERec通过双向信息传播策略同时学习用户和物品的表示。具体来说，可以通过从其本地邻近结构传递的消息来聚合实体的表示形式，并且开发了层次化的关注机制来自适应地表征和调整协作信号。在注意力机制的帮助下，提出了一种细心的实体采样策略来选择相关的相邻实体，并通过建立知识感知的连通性将可解释性赋予该模型。在四个真实世界的公共数据集上进行的实验证明了HAGERec的最新性能和强大的可解释性。HAGERec通过双向信息传播策略同时学习用户和物品的表示。具体来说，可以通过从其本地邻近结构传递的消息来聚合实体的表示形式，并且开发了层次化的关注机制来自适应地表征和调整协作信号。借助注意力机制，提出了一种细心的实体采样策略来选择相关的相邻实体，并通过建立知识感知的连通性将可解释性赋予该模型。在四个真实世界的公共数据集上进行的实验证明了HAGERec的最新性能和强大的可解释性。HAGERec通过双向信息传播策略同时学习用户和物品的表示。具体来说，可以通过从其本地邻近结构传递的消息来聚合实体的表示形式，并且开发了层次化的关注机制来自适应地表征和调整协作信号。在注意力机制的帮助下，提出了一种细心的实体采样策略来选择相关的相邻实体，并通过建立知识感知的连通性将可解释性赋予该模型。在四个真实世界的公共数据集上进行的实验证明了HAGERec的最新性能和强大的可解释性。实体的表示可以通过从其本地邻近结构传递的消息进行汇总，并开发了一种分层的关注机制来自适应地表征和调整协作信号。借助注意力机制，提出了一种细心的实体采样策略来选择相关的相邻实体，并通过建立知识感知的连通性将可解释性赋予该模型。在四个真实世界的公共数据集上进行的实验证明了HAGERec的最新性能和强大的可解释性。实体的表示可以通过从其本地邻近结构传递的消息进行汇总，并且开发了一种层次化的关注机制来自适应地表征和调整协作信号。在注意力机制的帮助下，提出了一种细心的实体采样策略来选择相关的相邻实体，并通过建立知识感知的连通性将可解释性赋予该模型。在四个真实世界的公共数据集上进行的实验证明了HAGERec的最新性能和强大的可解释性。通过建立知识感知的连接性，模型具有了可解释性。在四个真实世界的公共数据集上进行的实验证明了HAGERec的最新性能和强大的可解释性。通过建立知识感知的连接性，模型具有了可解释性。在四个真实世界的公共数据集上进行的实验证明了HAGERec的最新性能和强大的可解释性。