NIRec：一种高效的基于邻居的异构图交互模型

⬆⬆⬆ 点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

晋嘉睿，上海交通大学博士二年级年级博士生，导师为俞勇教授。研究兴趣为图数据挖掘，信息检索。

研究背景

从因子分解机（FM）谈起

交互信息的起源可以追溯到因子分解机（FM, Factorization Machines），一种在预测任务中常用的特征交叉关联算法。

在多类型数据建模中，我们通常会得到一个包括多个标签的表格，例如通过日期、性别、地点来预测购买行为。每条数据的结果不是由单个特征独立影响，而应该考虑特征与特征之间的相互关系。这其实就是“且”（and）的关系，比如当数据呈现出春节且女性且中国城市的模式时，就会出现购买行为。这种关系在建模中就是乘积（product）操作，是一种交互操作（interaction operation）。

什么是异构网络？

如果把多类别表格建模成图，就形成了异构网络图。异构图是指包含多种类型的节点和边的图，即节点和边中至少一个具有多种类型。一个异构图可以表示为G= (V, E)，由对象集 V 和链接集 E 组成。以图中的电影数据为例，它包含三种类型的节点：用户（user）、电影（movie）和导演（director）。两两节点之间的边表示两个对象之间的关系，例如user-movie是rating关系，movie-director是执导关系，而user-user则是一种包含多跳的组合关系。