模型总览如下：
背景：本论文是对MMGCN（Wei et al., 2019）的改进。MMGCN简单地在并行交互图上使用GNN，平等地对待从所有邻居传播的信息，无法自适应地捕获用户偏好。
MMGCN的消息聚合方式如下：
或
由公式可见所有邻居都信息都通过
MGAT消息构造如下所示：
利用Sotfmax函数进行正则化：
其中以及是两个可训练矩阵，为物品i 在模态m上的特征。为了简单起见，论文 中 直接用内积做为注意力分数。
（内积门）
（连接门）
（双相互作用门）
其中d为节点h 的邻居的数量。
三种门的效果对比：
由实验结果可以发现“最简单”的内积门在两个数据集上的表现都最好，可能原因是其他两个门通过变换矩阵做了特征变换，造成了过拟合。
一层信息融合(h距离一跳的邻居)：
为用户h在模态m上的特征表示，为用户h的id特征。物品的不同模态属于不同的语意空间，通过下方的公式将物品所有模态的特征表示都转换到id空间，并在用户的特征表示中加入id属性。上面的公式也是同样的道理，将模态m上从邻居那里得到的信息转换到ID空间，并与自己的特征相结合，得到h在模态m上的最终表示
高层信息融合
节点h在模态m上汇聚了l跳邻居信息后得到的表征。
节点h的表征为 。
预测：
同时融合了各层邻居的信息。
因篇幅问题不能全部显示，请点此查看更多更全内容