推荐系统中，协同过滤（Collaborative Filtering，简称CF）根据用户的历史交互数据，并根据用户的潜在共同爱好进行推荐。然而CF算法也有一些问题：用户数据稀疏(Sparsity)，以及冷启动(Cold-start)问题。
为了解决这些问题，研究者们提出在CF模型的基础上加入额外信息。比如社交网络、用户/商品属性、图片信息以及文字信息等。
本文考虑将知识图谱（Knowledge Graph，KG）作为额外信息，融入到推荐系统中。
前人将KG融合到推荐系统的相关工作，主要分为两种类别：
Deep Knowledge-aware Network (DKN)中，实体embeddings和词embeddings当做不同的通道，然后用CNN网络将他们两者结合到一起（用来新闻推荐）。
Collaborative Knowledge base Embedding (CKE)中，CF模型结合了知识embeddings、文本embeddings，图片embeddings。
Signed Heterogeneous Information Network Embedding (SHINE) 中，模型将情感网络、社会网络、个人网站都进行深度编码。模型用于名人推荐。
优点：embedding-based方法在利用KG辅助推荐系统表现出很高的灵活性
缺点：但这些方法中采用的KGE（Knowledge Graph Embedding）算法通常更适用于图形内链路预测应用（何为图内链路预测：通过已知的网络节点及网络结构等信息，预测网络中尚未产生连接的两个节点之间产生连接的可能性），而推荐场景我们需要更多的去发现潜在用户感兴趣的点，而不仅仅是利用当前也有的节点连接，所以学习好的实体embeddings对于表征实体间的关系作用不大。
Personalized Entity Recommendation（PER）和Meta-Graph Based Recommendation 将KG视为异构信息网络（Heterogeneous Information networks，HIN），通过关系路径、图表的类型提取基于元路径/元图的潜在特征来表示user和item之间的连接。
优点：path-based 方法以更自然和更直观的方式使用KG。
缺点：但它们严重依赖于手动设计的元路径，这在实践中很难优化。 另一个问题是，在实体和关系不在一个域内的某些场景（例如，新闻推荐）中设计手工制作的元路径是不可能的。
为了解决前人方法中的问题，作者提出RippleNet：
思路：借鉴水波(Ripple)的传播，以user感兴趣的items为种子（seed），在商品知识图谱上,用seed items向外一圈一圈的扩散到其他的items上，这个过程称之为偏好传播(Preference Propagation)。该模型认为外层的items同样属于用户潜在的偏好，因此在刻画user的时候，需要将其考虑进去，而不能仅仅使用观测到的items去表示user偏好。
RippleNet与前人工作的差异：
（1）RippleNet通过偏好传播方法，很自然地将KGE方法融入到推荐系统中；
（2）RippleNet可以从用户历史的item中，发现用户到候选item的可能路径，不需要任何手工设计；
RippleNet 的贡献：
（1）首次将基于embedding-based和path-based的方法结合到基于知识图谱的推荐系统中；
（2）提出了RippleNet模型，这是一个利用知识图谱实现推荐系统的端到端框架，RippleNet通过在KG中偏好传播的方法，不断自动的发现用户的潜在的层级兴趣；
（3）对三个真实世界的推荐场景（电影、图书、新闻）进行了实验，结果证明RippleNet在几个最好的基线上都是有提高的。
知识图谱与推荐系统联合学习之RippleNet：论文及代码讲解 - 知乎
知识图谱与推荐系统之RippleNet_十三吖的博客-CSDN博客