基于异构信息网络的推荐

发表于2019年TKDE

《Heterogeneous Information Network Embedding for Recommendation》论文阅读笔记

异构信息网络建模RS中复杂异构的辅助数据（基于HIN的推荐）。
挑战：提取和利用HIN中的信息。
已有方法：利用基于路径的相似性进行推荐，不能完全挖掘用户，项目的潜在结构特征。
存在问题：
（1） 当路径连接稀疏或者存在噪声时，基于路径的相似性不可靠；
（2） 主要描述语义相似性，不能直接应用到RS中。
本文：通过异构网络嵌入方法学习节点嵌入特征，首先使用元路径指导的随机漫步策略生成节点序列，对每一个元路径（描述了一种组合关系，通过不同的语义路径连接两个对象），学习节点的嵌入表示（通过最大化其与相邻节点的共现概率）。然后使用三种聚合函数（线性；个性化线性；非线性），将一个节点的多个嵌入向量集成到一个特征表示中，最后，拓展MF框架（加入聚合的HIN嵌入向量）。联合优化聚合函数和扩展的MF进行评分预测。

具体：
（1） 异构网络嵌入：学习用户，项目嵌入向量。
使用基于元路径的随机漫步方法生成节点序列。删除与起始类型不同的节点，最终序列中只包含与起始节点类型相同的节点（优势：将HIN转换为同构网络，降低了实现难度；一个节点能够利用更同质邻居的信息）。
（2） 集成MF推荐：
简单线性聚合：假定每一个用户在每一个元路径上都有相同的喜好，即每一个元路径设置相同的权重。

个性化线性聚合：在每一个元路径上设置不同的权重。

个性化非线性聚合：线性聚合在建模复杂的数据关系时受到限制，使用非线性函数增强聚合能力。