这篇论文首先提出了一种在加权异构图上进行推荐的模型。其思路也比较朴素:
给定一个异构图,一个
u
s
e
r
−
i
t
e
m
user-item
user−item评分矩阵,一组元路径,任务是预测某个用户
u
u
u对某个物品
i
i
i的评分。
首先对于一条元路径,计算在这个前提下
u
u
u对
i
i
i的评分,然后将这组元路径下的评分组合起来得到评分。
对于一条元路径,计算u对i的评分的步骤如下:
- 根据元路径计算出 u u u和其它用户的相似度。
- 使用相似度和其它用户对于i的评分来得到此 u u u对这个 i i i的评分。
对于一条元路径 l l l,我们已经得到了在这条元路径下的 u s e r − i t e m user-item user−item评分矩阵 R ∈ R U × I R∈R^{U×I} R∈RU×I,接下来我们要将这组元路径下的评分给组合起来。
我们对每个用户对每个元路径的偏好指定一个权重,我们得到了一个矩阵
W
∈
R
L
×
U
W∈R^{L×U}
W∈RL×U。我们计算最终的评价矩阵的方式是:
R
^
=
∑
l
=
1
∣
P
∣
d
i
a
g
(
W
(
l
)
)
×
R
(
l
)
\hat R=\sum_{l=1}^{|P|}diag(W^{(l)})×R^{(l)}
R^=l=1∑∣P∣diag(W(l))×R(l)
然后最小化与真实的评分矩阵之间的损失即可。