《Heterogeneous Information Network Embedding for Recommendation》 论文分析

《Heterogeneous Information Network Embedding for Recommendation》论文解读
1.论文思路
为了嵌入HINs，设计了一种基于元路径的随机游走策略来生成有意义的节点序列进行网络嵌入。首先用一组融合函数对学习到的节点嵌入进行变换，然后将其集成到一个扩展矩阵分解模型中。对扩展的MF模型和融合函数进行了联合优化预测任务。在三个真实数据集的大量实验证明了HERec模型的有效性。
2.HERec模型架构
架构示例：

2.1基于异构网络的推荐系统定义

2.2 Meta-path based Random Walk
提出基于元路径的随机游走策略来生成节点序列

示例：

2.3 Type Constraint and Filtering
由于目标是提高推荐性能，所以主要的重点是学习用户和项目的有效表示，而其他类型的对象对任务不太感兴趣。因此，只选择从用户类型或项目类型开始的元路径。一旦使用上述方法生成了节点序列，它很可能包含不同类型的节点。我们进一步删除与初始类型不同的节点。这样，最终的序列将只包含具有起始类型的节点。对节点序列应用类型筛选有两个好处。首先，虽然节点序列是使用具有异构类型的元路径构造的，但是最终的表示是使用同构邻域来学习的。我们将具有相同类型的节点嵌入到相同的空间中，从而放松了在统一空间中表示所有异构对象的挑战性目标。其次，给定一个固定长度的窗口，节点能够利用更多的同构邻居，这些邻居比其他具有不同类型的邻居更可能相关。
2.4 Optimization Objective
根据node2vec,可以通过优化以下目标函数求得节点的向量表示：

而本模型中与之前的方法不同是Nu的构造，本算法是通过元路径随机游走的方式选择节点同质的邻居。
算法架构如下：

2.5 Embedding Fusion


2.6 Integrating Matrix Factorization with Fused HIN
Embedding for Recommendation
2.6.1 Rating Predictor
原有的MF公式如下：

本论文的改进如下：


2.6.2 Setting the Fusion Function
本论文设置了三种不同融合函数
1）Simple linear fusion

2）Personalized linear fusion

3）Personalized non-linear fusion

3.最终的模型架构

4.总结
本文提出了一种基于异构信息网络嵌入的新方法(HERec),有效利用HINs中的辅助信息进行推荐。设计了一种新的基于元路径的随机游走策略，以获得更有意义的节点序列来嵌入网络。由于基于不同元路径的嵌入包含不同的语义，所学习的嵌入利用一组融合函数进一步集成到一个扩展的矩阵因子分解模型中。最后，将扩展矩阵因子分解模型与融合函数相结合，对评价预测任务进行优化。HERec的目标是在特定推荐任务的指导下，从HINs中学习有用的信息表示，从而将所建议的方法与现有的基于HIN的推荐方法区分开来。在三个真实数据集上的大量实验证明了该方法的有效性。我们还验证了HERec的能力，以减轻提出模型的冷启动问题，学习任何节点与任意元路径的嵌入。作为推荐系统的一个重要问题，基于元路径语义的推荐方法，我们也将考虑如何提高系统的可解释性，并研究元路径对性能的影响。作为今后的工作，我们将深入探讨如何应用深度学习方法(如卷积神经网络、自动编码器)可以更好地融合多个元路径的嵌入。此外，我们只使用具有相同起始和结束类型的元路径来有效地提取网络结构特征。因此，扩展所提的模型来学习任意元路径节点的嵌入是有趣且自然的。作为推荐系统的一个重要问题，我们还将考虑如何增强基于元路径语义的推荐方法的可解释性。