SemRec读后感：Semantic Path based Personalized Recommendation on Weighted Heterogeneous

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$user-item$评分矩阵，一组元路径，任务是预测某个用户$u$对某个物品$i$的评分。
首先对于一条元路径，计算在这个前提下$u$对$i$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：

1. 根据元路径计算出$u$和其它用户的相似度。
2. 使用相似度和其它用户对于i的评分来得到此$u$对这个$i$的评分。

对于一条元路径$l$，我们已经得到了在这条元路径下的$user-item$评分矩阵$R\in R^{U\times I}$，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$W\in R^{L\times U}$。我们计算最终的评价矩阵的方式是：
$$\hat{R}=\sum _{l=1}^{|P|}diag(W^{(l)})\times R^{(l)}$$

然后最小化与真实的评分矩阵之间的损失即可。