1. Motivation
稀疏性问题是推荐系统必须要面临的一个挑战，把side-information包含进基于MF的方法是一个很好的方式。但是物品的属性是一种结构化的数据，用简单的MLP并不能学习到它们之间的关联，从而无法全面的刻画一个物品。本文提出基于知识图谱的embedding来刻画物品的显式信息，这种是从图结构中学到的关联，能够比较充分地学习到物品的表达。本文关于物品的表达有三个部分，另外两个分别是文本信息和图片信息。
2. Method
这种图展示了刻画物品的三类信息，这里主要讲解结构化数据的特征提取。这里结构化embedding使用TransR来求得，即将两个存在于实体空间的实体向量通过映射在关系空间的关系向量连接，即：
而TransR的目标函数是:
此处我们会想到用BPR去训练，其中vt作为负采样的样本。最后求得vh作为结构化数据的表达。
3. Experiments
为了证明每个部分学习的有效性，分别选取baseline测试。最后再整个学习，证明推荐的有效性。