[논문 리뷰] Heterogeneous Information Network Embedding for Recommendation

Chuan Shi, Binbin Hu외 2명|arXiv (Cornell University)|2017. 11. 29.

Recommender Systems and Techniques참고 문헌 14인용 수 74

한 줄 요약

HERec는 메타패스를 가이드로 한 이종 네트워크 임베딩을 학습하고 이를 매트릭스 팩터라이제이션 프레임워크에 유연한 융합 함수로 통합하여 추천 및 콜드 스타트 성능을 향상시킵니다.

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.

연구 동기 및 목표

• 이종 정보 네트워크(HIN)를 활용해 메타패스 유사성 이상으로도 추천 시스템을 개선하려는 동기를 제시합니다.
• 메타패스 guided 랜덤 워크를 통해 잠재 의미 및 구조 정보를 포착하는 새로운 HIN 임베딩 방법을 제안합니다.
• 융합 함수를 개발해 HIN 임베딩을 매트릭스 팩터라이제이션 예측기에 효과적으로 통합합니다.
• 실제 데이터셋에서 HERec의 효과와 콜드 스타트 이슈 완화 가능성을 입증합니다.

제안 방법

• 여러 노드 유형 및 관계 유형을 갖는 HIN을 구성해 사용자인 아이템에 대한 풍부한 보조 데이터를 모델링합니다.
• 메타패스 guided 랜덤 워크를 사용해 동질 노드 시퀀스를 생성하고 각 메타패스에 대해 임베딩을 학습합니다.
• 다중 메타패스 임베딩을 하나의 사용자 또는 아이템 표현으로 결합하기 위해 융합 함수를 적용합니다.
• 표준 잠재 요인과 융합된 HIN 임베딩을 결합한 공동 최적화를 통해 매트릭스 팩터라이제이션을 확장합니다.
• 세 가지 융합 전략을 제공합니다: 간단 선형 융합, 개인화 선형 융합, 개인화 비선형 융합, 학습을 위한 대응하는 그래디언트를 포함합니다.

실험 결과

연구 질문

• RQ1 메타패스 guided 이종 네트워크 임베딩이 전통적인 메타패스 유사성보다 더 informative한 패턴을 추천에 대해 포착할 수 있나요?
• RQ2 여러 메타패스의 임베딩을 어떻게 융합해 평가 예측에 효과적인 사용자/아이템 표현을 형성할 수 있나요?
• RQ3 융합된 HIN 임베딩이 표준 MF 베이스라인과 비교해 추천 정확도 및 콜드 스타트 시나리오를 개선하나요?
• RQ4 다양한 융합 함수가 HERec의 예측 성능 및 개인화에 미치는 영향은 어떻게 되나요?

주요 결과

• HERec는 HIN 임베딩을 학습하고 이를 확장된 MF 모델과 통합해 추천 성능을 향상시킨 것을 입증합니다.
• HIN 임베딩의 정보를 활용해 콜드 스타트 시나리오를 지원합니다.
• 개인화 및 비선형성을 포함하는 융합 전략이 추천을 위한 HIN 임베딩의 변환을 더 유연하게 만듭니다.
• 세 개의 실제 데이터셋에 대한 실험으로 이종 사이드 정보를 활용하는 HERec의 효과가 입증됩니다.