[論文レビュー] Heterogeneous Information Network Embedding for Recommendation

Chuan Shi, Binbin Hu+2 more|arXiv (Cornell University)|Nov 29, 2017

Recommender Systems and Techniques参考文献 14被引用数 74

ひとこと要約

HERec は、メタパスに導かれた異種ネットワーク埋め込みを学習し、それらを柔軟な融合関数で統合してマトリックス分解の枠組みに組み込み、推奨とコールドスタート性能を改善します。

ABSTRACT

Due to the flexibility in modelling data heterogeneity, heterogeneous information network (HIN) has been adopted to characterize complex and heterogeneous auxiliary data in recommender systems, called HIN based recommendation. It is challenging to develop effective methods for HIN based recommendation in both extraction and exploitation of the information from HINs. Most of HIN based recommendation methods rely on path based similarity, which cannot fully mine latent structure features of users and items. In this paper, we propose a novel heterogeneous network embedding based approach for HIN based recommendation, called HERec. To embed HINs, we design a meta-path based random walk strategy to generate meaningful node sequences for network embedding. The learned node embeddings are first transformed by a set of fusion functions, and subsequently integrated into an extended matrix factorization (MF) model. The extended MF model together with fusion functions are jointly optimized for the rating prediction task. Extensive experiments on three real-world datasets demonstrate the effectiveness of the HERec model. Moreover, we show the capability of the HERec model for the cold-start problem, and reveal that the transformed embedding information from HINs can improve the recommendation performance.

研究の動機と目的

• 異種情報ネットワーク（HINs）を活用して、メタパスの類似性を超える推奨システムの改善を動機づける。
• メタパスに導かれたランダムウォークを通じて潜在的な意味情報と構造情報を捉える、新規の HIN 埋め込み手法を提案する。
• HIN 埋め込みを行列分解予測子へ効果的に統合するための変換融合関数を開発する。
• 実世界データセット上で HERec の有効性とコールドスタート問題の緩和能力を実証する。

提案手法

• ユーザーとアイテムのリッチな補助データをモデル化するために、複数のノードタイプと関係タイプを持つ HIN を構築する。
• メタパスに導かれたランダムウォークを用いて同質のノード列を生成し、メタパスごとに埋め込みを学習する。
• 複数のメタパス埋め込みを単一のユーザーまたはアイテム表現に結合するための融合関数を適用する。
• 標準的な潜在因子と融合された HIN 埋め込みを結合し、結合最適化で行列分解を拡張する。
• 3 つの融合戦略を提供する：単純な線形融合、個別化された線形融合、個別化された非線形融合、学習対応の勾配も含む。

実験結果

リサーチクエスチョン

• RQ1 メタパスに導かれた、異種ネットワーク埋め込みは、推奨のために HIN 内の伝統的なメタパス類似性を超えた有益なパターンを捉えられるか。
• RQ2 複数のメタパスからの埋め込みをどのように融合して、レーティング予測のための効果的なユーザー/アイテム表現を形成できるか。
• RQ3 融合された HIN 埋め込みは、標準 MF ベースラインと比較して推奨精度を改善し、コールドスタートの状況に対応できるか。
• RQ4 予測性能と個人化に対する異なる融合関数が HERec の性能に与える影響はどうなるか。

主な発見

• HERec は HIN を埋め込み、拡張 MF モデルと統合することで推奨性能の向上を示します。
• このモデルは HIN 埋め込みの情報を活用することでコールドスタートの状況をサポートします。
• 個別化と非線形性を組み込んだ融合戦略は、推奨のための HIN 埋め込みの変換をより柔軟にします。
• 3 つの実世界データセットでの実験は、HERec が異種の補助情報を活用する効果を裏付けます。