[论文解读] 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 74

一句话总结

HERec 通过元路径引导的异构网络嵌入，并将它们整合到具有灵活融合函数的矩阵分解框架中，以提升推荐和冷启动性能。

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.

研究动机与目标

• 动机：利用异构信息网络（HINs）来改进推荐系统，超越仅依赖元路径相似性的局限。
• 提出一种新颖的 HIN 嵌入方法，通过元路径引导的随机游走捕捉潜在的语义和结构信息。
• 开发融合函数，将 HIN 嵌入转换为可有效整合到矩阵分解预测器中的表示。
• 在真实世界数据集上验证 HERec 的有效性及其缓解冷启动问题的能力。

提出的方法

• 构建具有多种节点类型和关系类型的 HIN，以建模用户和物品的丰富辅助数据。
• 使用元路径引导的随机游走生成同质节点序列，并为每个元路径学习嵌入。
• 应用融合函数将多条元路径嵌入融合为单一的用户或物品表示。
• 通过在联合优化中将标准潜在因子与融合后的 HIN 嵌入结合，扩展矩阵分解。
• 提供三种融合策略：简单线性融合、个性化线性融合和个性化非线性融合，并给出相应的学习梯度。

实验结果

研究问题

• RQ1 在推荐任务中，元路径引导的异构网络嵌入能否捕捉到超越传统元路径相似性的有信息的模式？
• RQ2 如何将来自多条元路径的嵌入融合成有效的用户/物品表示，以进行评分预测？
• RQ3 与标准 MF 基线相比，融合后的 HIN 嵌入是否提高了推荐准确性并缓解冷启动场景？
• RQ4 在 HERec 中，不同融合函数对预测性能和个性化的影响是什么？

主要发现

• HERec 通过对 HIN 进行嵌入并将其与扩展的 MF 模型整合，展示了改进的推荐性能。
• 该模型通过利用 HIN 嵌入中的信息来支持冷启动场景。
• 包含个性化和非线性的融合策略为 HIN 嵌入提供了更灵活的转换，用于推荐。
• 在三个真实世界数据集上的实验验证了 HERec 在利用异质性辅助信息方面的有效性。