以知识图谱作为边信息生成推荐的价值在于：一方面可以提供更准确的推荐；另一方面可以对推荐结果进行解释。
知识图谱由实体和关系组成（以电影推荐为例）：实体（用户、电影、演员、导演和类型）；关系（交互、归属、表演、导演和友谊）。
基本思想：将知识图谱中的节点和边在低维向量空间中得到嵌入表示（KnowledgeGraphEmbedding，KGE），利用知识图谱丰富item/user的表示。
基于embedding的方法忽略了图中的信息连通模式，通常无法为推荐结果提供解释。
基本思想：将知识图谱视为一个异构信息网络（user-item），考虑到user、item的连通相似性（语义相似性/结构对等性），进而提升推荐效果。其中，连通相似性的定义依赖meta-path结构（meta-path是连接两个实体的一条特定的路径）。
用户Alice与部分物品在知识图谱的关联图示
KPRN模型图示
基于path的方法有天生的可解释性，但早期的方法没有结合embedding的思想，对user/item的表示较为简单，准确性仍有提升空间。
基本思想：利用嵌入传播（常使用GNN）完善user、item在知识图谱中有多跳邻居的表示。其中，传播过程可以看作是在知识图谱中发现user的偏好模式，类似于在基于path的方法中发现连接模式。
联合方法结合了基于embedding和基于path的方法，兼具准确性和可解释性，逐渐成为知识图谱推荐算法的主流方法。
*在表格中，Emb代表基于嵌入的方法，Uni代表统一方法，Att’代表注意力机制，'RL’代表强化学习，'AE’代表自动编码器，'MF’代表矩阵分解。
前面三节是以核心技术的角度来分类，本节以训练学习的角度来分类。（分类角度不同而已，助于理解）
DeepWalk的主要思想是在由物品组成的图结构上进行随机游走，产生大量物品序列，然后将这些物品序列作为训练样本输入word2vec进行训练，得到物品的embedding。
在DeepWalk的基础上，通过调整随机游走权重的方法，使embedding的结果在网络的同质性和结构性中进行权衡。
其中，网络的“同质性”指的是距离相近节点的embedding应该尽量近似，“结构性”指的是结构上相似的节点的embedding应该尽量接近。
GNN的核心观点：
GNN的局限性：
GNN的训练学习思路：
与GNN核心的不同在于不再以不动点理论为基础。
思考如何解决图中邻居结点数量不固定的问题：
解决GCN需要存放整张图信息的问题，利用采样部分节点的方式进行学习。
在nlp、计算机视觉、推荐系统、强化学习、恶意检测、专业领域等都有很大的应用前景。