核心问题:
现有模型要么是利用基于路径的语义相关性作为直接特征进行推荐
(这里的直接特征direct feature 给出了参考论文 1⃣️基于元路径的latent feature 来表示用户与不同类型路径上的项目之间的连接,2⃣️两个对象的基于路径的相似度是基于给定的连接这两个对象的元路径的相似度评价,所以说都是没有考虑对具体路径进行编码,只是利用路径从而得到对用户/项目表示的丰富)
要么就是基于路径的相似性进行一些转换来学习有效的转换特征,然后利用这么转换特征来增强用户和项目的表示进行推荐
问题1:很少学习推荐任务中路径或元路径的显式表示,就是针对整个路径进行最后的final representation embedding
问题2: 他们没有考虑交互中元路径和所涉及的用户-物品对之间的相互影响,直观地说,不同的用户可能对元路径有不同的偏好。即使对于相同的用户,元路径在与不同项目的多次交互中也可能具有不同的语义,元路径本质上是一种type层次上的建立,一种抽象概念,不同用户是在实例中的应用
具体实现:
给出一个用户u和一个项目i,基于元路径的上下文(Meta-path based context)被定义为连接HIN 上两个节点的元路径下的路径实例的聚合集
(1)学习基于元路径的上下文的显式表示
(2)描述<user、meta-path、item>
我们的模型需要学习用户、项目和基于元路径的上下文的表示。 我们提出了一种新的共同关注机制来相互改进基于元路径的上 下文、用户和项目的表示。 首先根据用户-项目对的交互信息改进基于元路径的上下文表示,然后基于改进的基于元路径的上下文表示进一步增强用户和项目表示。