本文是对阿里发表在KDD2019的论文Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation的解读。
背景介绍
文章核心思想?
本文关注意图推荐,即直接根据用户的历史行为进行推荐,无需用户进行任何输入。文章中提出一种Metapath-guided Emebedding method for Intent Recommendation(MEIRec)模型,设计了metapath-guided这种基于元路径的方法来学习异构图的网络的节点向量表示,同时为了解决参数过多的问题,提出Uniform term embedding方法,把具有相同term(可以理解为分词结构的目标映射到同一个向量空间中,在实验中,模型效果表现良好。
意图推荐
意图推荐,即不需要用户的任何输入,根据用户的历史行为进行推荐。下图为淘宝的意图推荐例子,根据用户的历史行为,预测出用户可能对air jordan感兴趣,在搜索栏中进行推荐,提示用户可以进行搜索。意图推荐不同于query推荐,它是根据用户的历史行为进行推荐,而不是之前相似的query;并且它不需要输入任何的query;意图推荐也不同于item推荐,它需要考虑用户、item、query的交互关系;并且用户的意图是经常动态变化的。
从数学的角度,给定一个集合 ,其中 是p个用户的集合; 是q个item的集合; 是r个query的集合; 是n被term的集合;term可以理解为分词,比如说Hand bag有两个term,hand和bag,在本文中,query和item都被看作由term组成的;A表示每一项的特征;B表示各项之间的交互。意图推荐的目的就是给每个用户 推荐query
Metapath-guided 邻居
Metapath-guided邻居是在给定特定的metapath的条件下,每项随机游走的邻居,在元路径 下,object o的第i步邻居为