一种融合异构信息网络和评分矩阵的推荐新算法

《计算机研究与发展》2014年的文章
文章摘要：在当今的大数据时代，推荐系统是解决信息超载的有效手段．传统的协同过滤推荐系统仅仅使用用户－项目评分矩阵，而异构信息网络的出现为推荐系统更多地融合用户与项目信息提供了机遇。
1. 对推荐系统中的用户属性和项目属性建立异构信息网络
2. 首先使用基于元路径的相似度计算方法分别计算用户与项目的相似度矩阵；
3. 其次使用提出的３种将相似度矩阵与用户－项目评分矩阵进行融合的方法；
4. 采用传统的基于矩阵分解的推荐技术进行预测及最后的结果合并．****

矩阵分解被认为是当前协同过滤推荐系统中效果最好的方法。纯粹的协同过滤方法的输入数据只有用户-项目评分矩阵，因为它只应用了用户对项目的历史评分，由于评分矩阵一般都十分稀疏，因此协同过滤的主要挑战就是要用较少的有效评分来得到准确的预测。
以电影推荐为例，实际生活中人们喜欢某部电影，不仅会看其他用户对电影的评分，也会考虑到电影的演员、导演等属性。因此考虑用户和电影的多个属性，构建异构信息网络。通过选择不同的属性就会产生不同的联系路径，各个路径都对推荐结果有一定的贡献，合并这些结果就可以实现更好的推荐。
目前基于异构信息的推荐工作还处于起步阶段。通常仅仅考虑用户与项目之间的交互关系所形成的异构信息网络，却放弃了用户-项目评分矩阵这一协同过滤推荐中最重要的信息来源
这篇文章的主要贡献：
基于异构信息网络中元路径选择学习多个用户与项目相似度，并与用户-项目评分矩阵融合实现更好的推荐。
数据集：MovieLens 100K
衡量指标：平均绝对误差
**

什么是异构信息网络

随着社交网络的发展而出现的一个较新的研究领域，也称为异构社会网络。通过网络模式指定了对象集合上的类型约束和对象间的关系约束，这些约束使得异构信息网络是半结构化的，从而指导人们更好地去探索网络语义。
异构信息网络是一种特殊的信息网络，包括多种形式的 对象类型，也包括多种类型的关系。