{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,4,30]]，“日期时间”：“2024-04-30T16:38:10Z”，“时间戳”：1714495090275}，“参考计数”：80，“出版商”：“计算机协会（ACM）”，“问题”：“4”，“资助者”：[{“名称”：“普通研究基金”，“奖项”：[“16211520”]}，{“名称”：“香港RGC包括早期职业计划”，“奖项”：[“26206717”]}，{“name”：“研究影响基金”，“adward”：[”R6020-19“]}16215019和614513“]}]，”内容域“用法：{“domain”：[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-title”：[”acm Trans.Knowl.Discov.Data“]，“published-print”：{”date-parts“：[2021,8,31]]}，”abstract“：”协作过滤（CF）是最重要、最流行的推荐方法之一，其目的是根据用户过去的行为预测用户2019年的偏好（评级）。最近，除了用户对项目的明确评级之外，各种类型的附加信息（例如用户之间的社会关系和项目的元数据）都被引入到CF中，并被证明有助于提高推荐性能。然而，以前的工作分别处理不同类型的信息，因此未能捕捉到它们之间可能存在的相关性。为了解决这个问题，在这项工作中，我们研究了异构信息网络（HIN）的应用，它为不同类型的边信息提供了统一和灵活的表示，以增强基于CF的推荐方法。然而，我们在基于HIN的推荐中面临着挑战性的问题，即如何捕获HIN中用户和项目之间复杂语义的相似性，以及如何有效地融合这些相似性以提高最终推荐性能。为了解决这些问题，我们将元图应用于相似性计算，并使用\u201cmatrix factorization（MF）+factorizing machine（FM）\u201d框架解决信息融合问题。对于MF部分，我们从每个元图中获得用户-项目相似矩阵，然后应用低秩矩阵近似来获得用户和项目的潜在特征。对于FM部分，我们将FM和群套索（FMG）应用于从MF部分获得的特征，以训练推荐模型，同时识别有用的元图。除了FMG（一种两阶段方法）之外，我们还提出了一种端到端的方法，即分层注意融合，以融合基于象形图的相似性作为最终推荐。在四个大型真实数据集上的实验结果表明，这两个框架在推荐性能方面明显优于现有的最新方法<\/jats:p>“，”DOI“：”10.1145\/3441446“，”type“：”journal-article“，”created“：{”date-parts“：[2021,6,10]]，”date-time“：”2021-06-10T10:11:28Z“，”timestamp“：1623319888000}，”page“：“标题”：[“异构信息网络上推荐系统的边信息融合“]，”前缀“：”10.1145“，”卷“：”15“，”作者“：[{”ORCID“：”http://\/ORCID.org\/0000-0002-0320-8718“，”authenticated-ORCID“：false，”给定“：”欢“，”家族“：”赵“，“sequence”：“first”，“affiliation”：[{“name”：“4Paradigm Inc.和香港科技大学“}]}，{“given”：“Quanming”，“family”：“Yao”，“sequence”：“additional”，“affiliation”：[{“name”：“4Paradegm Inc.和清华大学，中国北京”}]}.，{香港科技大学“}]}，{“given”：“James T.”，“family”：“Kwok”，“sequence”：“additional”，“affiliation”：[{“name”：“Hong Kong University of Science and Technology，Hong Kong's”}]}，{”given“：”Dik Lun“，”family“：”Lee“，”sequence“：”additional}]，“member”：“320”，“published-on-line”：{“date-parts”：[[2021,6,10]]}，“reference”：[{“key”：“e_1_1_1”，“unstructured”：“Z.Allen-Zhu and e.Hazan.2016。方差减少，实现更快的非凸优化。在ICML中。699\u2013707。Z.Allen-Zhu和E.Hazan。2016年，减少方差，实现更快的非凸优化。在ICML中。699\u2013707.“}，{“key”：“e_1_1_2_1”，“unstructured”：“P.W.巴塔利亚J.B.哈姆里克V.巴普斯特A.桑切斯·冈萨雷斯V.赞巴尔迪M.马林诺夫斯基A.塔切蒂D.拉波佐A.桑托罗R.福克纳C.古尔塞赫F.宋A.巴拉德J.吉尔默G.达尔A.瓦斯瓦尼K.艾伦C.纳什V.兰斯顿C.戴尔N.海斯D.维斯特拉P.科尔里M.博特维克O.维尼亚尔斯Y.李和R。帕斯卡努。2018.关系归纳偏见深度学习和图形网络。arXiv预印arXiv:1806.01261（2018）。P.W.Battaglia J.B.Hamrick V.Bapst A.Sanchez-Gonzalez V.Zambaldi M.Malinowski A.Tacchetti D.Raposo A.Santoro R.Faulkner C.Gulcehre F.Song A.Ballard J.Gilmer G.Dahl A.Vaswani K.Allen C.Nash V.Langston C.Dyer N.Heess D.Wierstra P.Kohli M.Botvinick O.Vinyals Y.Li和R.Pascanu。2018年，关系归纳偏见导致深度学习和图形网络。arXiv预印arXiv:1806.01261（2018）。“}，{”key“：”e_1_2_1_3_1“，”volume-title“：”非线性规划“，”author“：”Bertsekas D.P.“，“unstructured”：”D.P.Bertsekas.1999。非线性规划。雅典娜科技。D.P.Bertsekas博士。1999.非线性规划。雅典娜科技。“}，{”key“：”e_1_1_4_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1007 \/s10208-009-9045-5”}，“key”：“e_2_1_5_1”，“doi-assert-by”：“publisher”，”doi“：”10.1007\/s00041-008-9045-x“}”，{“key“:”e_2_ 1_7_1“、”doi-sserted-by：“crossref”，‘unstructured’：”Y.Dong N.V Chawla和A.Swami。2017。metapath2vec：异构网络的可伸缩表示学习。在SIGKDD中。135\u2013144。Y.Dong N.V Chawla和A.Swami。2017年，metapath2vec：异构网络的可扩展表示学习。在SIGKDD中。135\u2013144.“，”DOI“：”10.1145\/3097983.3098036“}，{”key“：”e_1_2_1_8_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Y.Dong Z.Hu K.Wang Y.Sun and J.Tang.2020。异构网络表示学习。在IJCAI。4861\u20134867。Y.Dong Z.Hu K.Wang Y.Sun和J.Tang。2020年。异构网络表征学习。在IJCAI。4861\u20134867.“，”DOI“：”10.24963\/ijcai.2020“}，{“key”：“e_1_2_1_9_1”，“DOI-asserted-by”：“crossref”，”unstructured“：”S.Fan J.Zhu X.Han C.Shi L.Hu B.Ma和Y.Li.2019。用于意向推荐的元路径引导的异构图神经网络。在KDD中。2478\u20132486 S.Fan J.Zhu X.Han C.Shi L.Hu B.Ma和Y.Li.2019。用于意向推荐的元路径引导的异构图神经网络。在KDD中。2478\u20132486“，”DOI“：”10.1145\/3292500.3330673“}，{”key“：”e_1_2_1_10_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Y.Fan S.Hou Y.Zhang Y.Ye和M.Abdulhayoglu.2018a.Gotcha-sly恶意软件！：Scorpion基于Metagraph2vec的恶意软件检测系统。在SIGKDD.253\u2013262中。Y.Fan S.Hou Y.Zhang Y.Ye和M.Abdulhayoglu。2018年a。Gotcha-sly恶意软件！：蝎子是一个基于Metagraph2vec的恶意软件检测系统。在SIGKDD中。253\u2013262.“，”DOI“：”10.1145\/3219819.3219862“}，{“key”：“e_1_2_1_11_1”，“volume-title”：“推特：基于异构信息网络上不同的基于元粒度相似性构建的传递集成。在IJCAI.3357\u20133363.中，”author“：”Fan Y.“，”year“：”2018“，”unstructured“：”Y.Fan，Y.Zhang，Y.Ye，and X.Li.2018 b。推特自动阿片类药物用户检测：基于异构信息网络上不同的基于元粒度的相似性构建的转换集成。In IJCAI。3357\u20133363。Y.Fan、Y.Zhang、Y.Ye和X.Li.2018b。推特自动阿片类药物用户检测：基于异构信息网络上不同的基于元粒度的相似性构建的转换集成。In IJCAI。3357\u20133363.“}，{“key”：“e_1_2_1_12_1”，“doi断言者”：“publisher”，“doi”：“10.1109\/TKDE.2019.2922956”}，{“key”：“e_1_2_1_13_1”，“doi断言者”：“crossref”，“非结构化”：“Y.Fang W.Lin W.Zheng M.Wu K.Chang and X.Li。2016。使用基于元图的学习对图进行语义邻近搜索。在ICDE中。277\u2013288。Y.Fang W.Lin W.Zheng M.Wu K.Chang和X.Li.2016。使用基于元图的学习对图进行语义邻近搜索。在ICDE中。277\u2013288.“，”DOI“：”10.1109\/ICDE.2016.7498247“}，{”key“：”e_1_2_1_14_1“，”unstructured“：”G.Guo J.Zhang Z.Sun和N.Yorke-Smith.2015。LibRec：推荐系统的Java库。技术报告。新加坡管理大学信息系统学院。G.Guo J.Zhang Z.Sun和N.Yorke-Smith。2015.LibRec：推荐系统的Java库。技术报告。新加坡管理大学信息系统学院。“}，{”key“：”e_1_2_1_15_1“，”doi-asserted-by“：”crossref“，“unstructured”：“R.He和J.McAuley，2016。起起落落：用一级协同过滤来模拟时尚趋势的视觉演变。在WebConf中。507\u2013517。R.He和J.McAuley。2016年，《起起落落：用一级协同过滤模拟时尚趋势的视觉演变》，载于WebConf。507\u2013517.“，”DOI“：”10.1145\/2872427.2883037“}，{”key“：”e_1_2_1_16_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Y.He Y.Song J.Li C.Ji J.Peng和H.Peng.2019。HeteSpaceyWalk：用于异构信息网络嵌入的异构空间随机行走。在CIKM中。639\u2013648。何义松J.李C.纪纪鹏和H.鹏。2019.HeteSpaceyWalk：异构信息网络嵌入的异构空间随机漫步。在CIKM中。639\u2013648.“，”DOI“：”10.1145\/3357384.3358061“}，{”key“：”e_1_2_1_17_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“J.Herlocker J.Konstan A.Borchers和J.Riedl.1999。用于执行协作过滤的算法框架。230\u2013237。J.Herlocker J.Konstan A.Borchers和J.Riedl。1999年。执行协同过滤的算法框架。在SIGIR中。230\u2013237.“，”DOI“：”10.1145\/312624.312682“}，{”key“：”e_1_2_1_18_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“L.Hong A.S Doumith and B.D.Davison。2013。协同生产机器：在推特上建模用户兴趣并预测个人决策。在WSDM中。557\u2013566。L.Hong A.S Doumith和B.D.Davison。2013.协同生产机器：在推特上建模用户兴趣并预测个人决策。在WSDM中。557\u2013566.“，”DOI“：”10.1145\/2433396.2433467“}，{”key“：”e_1_2_1_19_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“S.Hou Y.Ye Y.Song和M.Abdulhayoglu，2017。HinDroid：基于结构化异构信息网络的智能Android恶意软件检测系统。在SIGKDD中。1507\u20131515。S.Hou Y.Ye Y.Song和M.Abdulhayoglu。2017.HinDroid:一个基于结构化异构信息网络的智能安卓恶意软件检测系统。在SIGKDD中。1507\u20131515.“，”DOI“：”10.1145\/3097983.3098026“}，{”key“：”e_1_2_1_20_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“B.Hu C.Shi W.X.Zhao和P.S.Yu.2018。利用基于元路径的上下文，通过神经共同注意模型实现top-N推荐。在SIGKDD中。1531\u20131540。B·胡·C·石·W·X·赵和P·S·余。2018年。利用基于元路径的上下文，通过神经共同关注模型实现排名前N的推荐。在SIGKDD中。1531\u20131540.“，”DOI“：”10.1145\/3219819.3219965“}，{“key”：“e_1_2_1_21_1”，“DOI-asserted-by”：“crossref”，”unstructured“：”B.Hu Z.Zhang C.Shi J.Zhou X.Li和Y.Qi.2019。基于属性化异构信息网络和分层注意机制的兑现用户检测。在AAAI。946\u2013953。B.胡政.张C.史J.周X.李和Y.Qi。2019.基于属性化异构信息网络和分层注意机制的兑现用户检测。在AAAI。946\u2013953.“，”DOI“：”10.1609\/aaai.v33i01.3301946“}，{”key“：”e_1_2_1_22_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Z.Huang Y.Zheng R.Cheng Y.Sun N.Mamoulis and X.Li.2016。元结构：大型异构信息网络中的计算相关性。在SIGKDD中。1595\u20131604。Z.Huang Y.Zheng R.Cheng Y.Sun N.Mamoulis和X.Li.2016。元结构：大型异构信息网络中的计算相关性。在SIGKDD中。1595\u20131604.”，“DOI”：“10.1145\/2939672.2939815”}，｛“key”：“e_1_2_1_23_1”，“DOI断言者”：“crossref”，“非结构化”：“L.Jacob G.Obozinski and J.Vert.2009。用重叠和图形套索将套索分组。在ICML中。433\u2013440。L.Jacob G.Obozinski和J.Vert。2009年。使用重叠套索和图形套索组合套索。在ICML中。433\u2013440.“，”DOI“：”10.1145\/1553374.1553431“}，{”key“：”e_1_2_1_24_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“H.Jiang Y.Song C.Wang M.Zhang and Y.Sun.2017。基于元粒度引导随机游动集成的异构信息网络半监督学习。在IJCAI。1944\u20131950。H.Jiang Y.Song C.Wang M.Zhang和Y.Sun。2017年。通过元粒度引导的随机漫步集成，在异构信息网络上进行半监督学习。在IJCAI。1944\u20131950.“，“DOI”：“10.24963\/ijcai.2017\/270”}，{“key”：“e_1_2_1_25_1”，“DOI-asserted-by”：“crossref”、“unstructured”：“J.Jin J.Qin Y.Fang K.Du W.Zhang Y.Zhang.Zhang and A.J Smola.2020。一种高效的基于邻域的异构图推荐交互模型。在SIGKDD中。75\u201384。J.Jin J.Qin Y.Fang K.Du W.Zhang Y.Yu Z.Zhang和A.J Smola。2020年。基于邻居的高效交互模型，用于推荐异构图。在SIGKDD中。75\u201384.“，”DOI“：”10.1145\/3394486.3403050“}，{”key“：”e_1_2_1_26_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“W.Kang M.Wan和J.McAuley，2018。通过混合异构项目关系进行推荐。在CIKM中。1143\u20131152。W.Kang M.Wan和J.McAuley。2018年。通过混合异构项目关系推荐。在CIKM中。1143\u20131152.”，“DOI”：“10.1145\/3269206.3271792”}，｛“key”：“e_1_2_1_27_1”，“DOI断言者”：“crossref”，“非结构化”：“X.Kong B.Cao和P.S.Yu.2013a。通过挖掘异构信息网络中的标签和实例相关性进行多标签分类。在SIGKDD.614\u2013622中。X.Kong B.Cao和P.S.Yu。2013年a。通过挖掘异构信息网络中的标签和实例相关性进行多标签分类。在SIGKDD中。614\u2013622.“，”DOI“：”10.1145\/248755.2487577“}，{”key“：”e_1_2_1_28_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“X.Kong J.Zhang和P.S.Yu.2013b.推断跨多个异构社交网络的锚链接。在CIKM.179\u2013188中。X.Kong J.Zhang和P.S.Yu。2013年b。推断跨多个异构社交网络的锚链接。在CIKM中。179\u2013188.”，“DOI”：“10.1145\/25055152505531”}，｛“key”：“e_1_2_1_29_1”，“DOI断言者”：“crossref”，“非结构化”：“Y.Koren。2008。因式分解满足邻域：一个多方面的协同过滤模型。在SIGKDD中。426\u2013434。Y.Koren。2008.因子分解与邻域相遇：一个多层面的协同过滤模型。在SIGKDD中。426\u2013434.“，”DOI“：”10.1145\/1401890.1401944“}，{”key“：”e_1_2_1_30_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1007\/s10994-010-5205-8”}，“key”：“e_1_i_1_31_31_1”，“unstructured”：“H.Li and Z.Lin.2015。非凸规划的加速近似梯度法。在NeurIPS中。379\u2013387。H.Li和Z.Lin.2015。非凸规划的加速近似梯度法。在NeurIPS中。379\u2013387.“}，{”key“：”e_1_2_1_32_1“，”volume-title“：”评级符合评论，一种综合的推荐方法。在RecSys.105\u2013112中，“作者”：“Ling G.”，“非结构化”：“G.Ling，M.R.Lyu，and I.King.2014.评级满足评论，一个综合的推荐方式。评级符合审查，这是一种综合的推荐方法。在RecSys中。105\u2013112.“}，{”key“：”e_1_2_1_33_1“，”doi-asserted-by“：”crossref“，“unstructured”：“H.Ma D.Zhou C.Liu M.R.Lyu and I.King.2011。推荐社会正规化系统。在WSDM中。287\u2013296。H.Ma D.Zhou C.Liu M.R.Lyu和I.King。2011年，推荐社会正规化系统。在WSDM中。287\u2013296.“，”DOI“：”10.1145\/1935826.1935877“}，{”key“：”e_1_2_1_34_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“J.McAuley和J.Leskovec.2013。隐藏因素和隐藏主题：通过回顾文本了解评级维度。在RecSys中。165\u2013172。J.McAuley和J.Leskovec。2013.隐藏因素和隐藏主题：通过回顾文本了解评级维度。在RecSys中。165\u2013172.“，”DOI“：”10.1145\/2507157.2507163“}，{”key“：”e_1_2_1_35_1“，”unstructured“：”A.Mnih and R.Salakhutdinov.2007。概率矩阵分解。在NeurIPS中。1257\u20131264。A.Mnih和R.Salakhutdinov。2007.概率矩阵分解。在NeurIPS中。1257\u20131264.“}，{“key”：“e_1_2_1_36_1”，“volume-title”：“C”，“author”：“Pan W.”，“year”：“2016”，“unstructured”：“W.Pan.2016”。使用辅助数据进行协作推荐的迁移学习调查。神经计算177，C（2016），447\u2013453。西潘。2016年，基于辅助数据的协作推荐迁移学习调查。Neurocomputing 177，C（2016），447\u2013453。“}，{“key”：“e_1_2_1_37_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1561\/240000003”}，“key“：”e_1_i_1_38_1“，”非结构化“：”A.Paszke S.Gross F.Massa A.Lerer J.Bradbury G.Chanan T.Killeen Z.Lin N.Gimelshein L.Antiga A.Desmaison A.K\u00f6pf e.Yang Z.DeVito M.Raison A.Tejani S.Chilamkurthy B。Steiner L.Fang J.Bai和S.Chintala。2019.PyTorch：一个命令式的高性能深度学习库。在NeurIPS中。8024\u20138035。A.Paszke S.Gross F.Massa A.Lerer J.Bradbury G.Chanan T.Killeen Z.Lin N.Gimelshein L.Antiga A.Desmaison A.K\u00f6pf E.Yang Z.DeVito M.Raison A.Tejani S.Chilamkurthy B.Steiner L.Fang J.Bai和S.Chintala。2019.PyTorch：一个命令式的高性能深度学习库。在NeurIPS中。8024\u20138035.“}，{”key“：”e_1_2_1_40_1“，”doi-asserted-by“：”crossref“，“unstructured”：“A.Pfadler H.Zhao J.Wang L.Wang P.Huang和D.L.Lee.2020。淘宝网数十亿条规模不等的推荐，包含各种各样的侧面信息。在ICDE中。1667\u20131676。A.Pfadler H.Zhao J.Wang L.Wang P.Huang和D.L.Lee。2020年，淘宝网推出了数十亿条规模不等的推荐，并提供了各种各样的侧边信息。在ICDE中。1667\u20131676.“，”DOI“：”10.1109\/ICDE48307.2020.00148“}，{”key“：”e_1_1_41_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“S.Reddi A.Hefny S.Sra B.Poczos和A.Smola，2016。非凸优化的随机方差减少。在ICML中。314\u2013323。S.Reddi A.Hefny S.Sra B.Poczos和A.Smola。2016.非凸优化的随机方差减少。在ICML中。314\u2013323.”，“DOI”：“10.1109\/ALLERTON.2016.78522377”}，{“密钥”：“e_1_2_1_42_1”，“非结构化”：“R.Rehurek和P.Sojka.2010。大型语料库主题建模软件框架。技术报告。R.Rehurek和P.Sojka。2010.大型语料库主题建模软件框架。技术报告。“}，{”key“：”e_1_1_43_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/2168752.2168771”}，“key”：“e_1_cu44_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/TKDE.2019.2941938“}，{“键”：“e_1_2_1_46_1”，“doi-asserted-by”：“出版商”，“doi”：“10.1109 \/TKDE.2013.2297920“}，{“key”：“e_1_2_1_47_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1109 \/TKDE.2016.2598561”}，}“key”：”e_1_i_1_48_1“，”doi-assert-by“：”crossref“，“unstructured”：“C.Shi Z.Z.Zhang P.Luo P.S.Yu Y.Yue and B.Wu.2015。基于语义路径的加权异构信息网络个性化推荐。在CIKM中。453\u2013462。C.Shi Z.Zhang P.Luo P.S.Yu Y.Yue和B.Wu。2015.基于语义路径的加权异构信息网络个性化推荐。在CIKM中。453\u2013462.“，”DOI“：”10.1145\/2806416.2806528“}，{”key“：”e_1_2_1_49_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1145\/2481244.2481248”}，“{”key“：“e_1_i_1_50_1”，“DOI-assert-by”：“crossref”，”unstructured“：”Y.Sun J.Han C.Aggarwal and N.V.Chawla.2012。什么时候发生异构信息网络中的关系预测。在WSDM中。663\u2013672。Y.Sun J.Han C.C.Aggarwal和N.V.Chawla。2012年。什么时候会发生？：异构信息网络中的关系预测。在WSDM中。663\u2013672.“，”DOI“：”10.1145\/2124295.2124373“}，{”key“：”e_1_2_1_51_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Y.Sun J.Han X.Yan P.S.Yu和T.Wu.2011。PathSim：异构信息网络中基于元路径的top-k相似性搜索。在PVLDB中。992\u20131003。Y.Sun J.Han X.Yan P.S.Yu和T.Wu。2011.PathSim：异构信息网络中基于元路径的top-k相似性搜索。在PVLDB中。992\u20131003.“，”DOI“：”10.14778\/3402707.3402736“}，{”key“：”e_1_2_1_52_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Y.Sun B.Norick J.Han X.Yan P.S.Yu和X.Yu。2013。PathSelClus：在异构信息网络中，将元路径选择与用户引导的对象聚类集成在一起。ACM《数据知识发现汇刊》7 3（2013）11:1\u201311:23。Y.Sun B.Norick J.Han X.Yan P.S.Yu和X.Yu。2013.PathSelClus：在异构信息网络中，将元路径选择与用户引导的对象聚类相结合。ACM Transactions on Knowledge Discovery from Data 7 3（2013）11:1\u201311:23.“，“DOI”：“10.1145\/251092.2500492”}，{“key”：“e_1_2_1_53_1”，“unstructured”：“P.Veli\u010dkovi\u0107 G.Cucucurull A.Casanova A.Romero P.Lio and Y.Bengio.2018。绘制注意力网络图。在ICLR中。P.Veli\u010dkovi\u0107 G.Cucurull A.Casanova A.Romero P.Lio和Y.Bengio。2018年，绘制注意力网络图。在ICLR中。“}，{”key“：”e_1_1_54_1“，”doi-asserted-by“：”crossref“，“unstructured”：“C.Wang Y.Song A.El-Kishky D.Roth M.Zhang和J.Han.2015a.通过异构信息网络将世界知识纳入文档聚类。见SIGKDD.1215\u20131224。C.Wang Y.Song A.El-Kishky D.Roth M.Zhang和J.Han。2015年a。通过异构信息网络将世界知识整合到文档聚类中。在SIGKDD中。1215\u20131224.“，”DOI“：”10.1145\/2783258.2783374“}，{”key“：”e_1_2_1_55_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“C.Wang Y.Song H.Li Y.Sun Z.Zhang and J.Han.2017。基于文本的异构信息网络的远距离元路径相似性。在CIKM中。1629\u20131638。C.Wang Y.Song H.Li Y.Sun Z.Zhang和J.Han。2017.基于文本的异构信息网络的远距离元路径相似性。在CIKM中。1629\u20131638.“，”DOI“：”10.1145\/3132847.3133029“}，{”key“：”e_1_1_56_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“C.Wang Y.Song H.Li M.Zhang and J.Han.2015b.KnowSim:结构化异构信息网络上的文档相似性度量。In ICDM.1015\u20131020。C.Wang Y.Song H.Li M.Zhang和J.Han。2015年b。KnowSim：结构化异构信息网络上的文档相似性度量。在ICDM中。1015\u20131020.“，”DOI“：”10.1109\/ICDM.2015.131“}，{“key”：“e_1_2_1_57_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1145\/3312738”}，“{”key“：”e_1_i_1_58_1“，“doo-asserted-by”：”crossref“，‘unstructured’：”J.Wang P.Huang H.Zhao Z.Zhang B.Zhao和D.L.Lee.2018。阿里巴巴电子商务推荐数十亿商品嵌入。在SIGKDD中。839\u2013848。J.Wang P.Huang H.Zhao Z.Zhang B.Zhao和D.L.Lee。2018。阿里巴巴电子商务推荐的十亿规模商品嵌入。在SIGKDD中。839\u2013848.“，”DOI“：”10.1145\/3219819.3219869“}，{“key”：“e_1_2_1_59_1”，“unstructured”：“M.Wang L.Yu D.Zheng Q.Gai Z.Ye M.Li J.Zhou Q.Huang C.Ma Z.Huang.Q.Guo H.Zhang H.Lin J.Chao J.Li A.Smola和Z.Zhang.2019b.Deep Graph Library:Towards Efficient and Scalable Deep Learning on Graphs.Technical Report.M.Wang.Yu D.Yu。郑Q.甘Y.盖Z.叶M.李J.周Q.黄C.马Z.黄Q.郭H.张H.林J.赵J.李A.斯莫拉和Z.张。2019b年。深度图库：实现高效和可扩展的图深度学习。技术报告。“}，｛”key“：”e_1_2_1_60_1“，”doi asserted by“：”crossref“，”unstructured“：”X.Wang H.Ji C.Shi B.Wang Y.Ye P.Cui and P.S.Yu.2019a.异构图注意力网络。在WebConf.2022\u20132032。X.Wang H.Ji C.Shi B.Wang Y.Ye P.Cui和P.S.Yu。2019a年。异构图形关注网络。在WebConf中。2022\u20132032.“，”DOI“：”10.1145\/3308558.3313562“}，{“key”：”e_1_1_61_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1137\/140961791”}，“{”key“：”e_ 1_2_1_62_1“”，“DOI-assert-by”：“crossref”，“unstructured”：“W.Xiao H.Zhao H.Pan Y.Song V.W.Zheng and Q.Yang.2019。超越个性化：针对创作者平等和消费者满意度的社交内容推荐。在SIGKDD中。235\u2013245。肖伟H.赵H.潘Y.宋V.W.郑和Q.杨。2019.超越个性化：针对创作者平等和消费者满意度的社交内容推荐。在SIGKDD中。235\u2013245.“，”DOI“：”10.1145\/3292500.3330965“}，{”key“：”e_1_2_1_63_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1007\/s10618-020-00729-1”}，“key”：“e_1_i_1_64_1”，“unstructured”：“L.Yan W.Li G.Xue and D.Han.2014。用于显示广告中网络规模ctr预测的耦合组套索。在ICML中。802\u2013810。L.Yan W.李国学和D.Han。2014.用于显示广告中网络规模ctr预测的耦合组套索。在ICML中。802\u2013810.“}，{”key“：”e_1_2_1_65_1“，”doi-asserted-by“：”crossref“，“unstructured”：“C.Yang Y.Feng P.Li Y.Shi and J.Han.2018。基于Meta-graph的HIN光谱嵌入：方法分析和见解。在ICDM中。657\u2013666。C.Yang Y.Feng P.Li Y.Shi和J.Han。2018.基于Meta-graph的HIN光谱嵌入：方法分析和见解。在ICDM中。657\u2013666.“，”DOI“：”10.1109\/ICDM.2018.00081“}，{”key“：”e_1_2_1_66_1“，”unstructured“：”C.Yang Y.Xiao Y.Zhang Y.Sun和J.Han.2020。异构网络表征学习：调查基准评估及其他。arXiv预印arXiv:2004.00216（2020）。C.Yang Y.Xiao Y.Zhang Y.Sun和J.Han。2020年。异构网络表征学习：调查基准评估及其他。arXiv预印arXiv:2004.00216（2020）。“}，{”key“：”e_1_2_1_67_1“，”unstructured“：”Q.Yao和J.Kwok.2015。加速不精确的软计算，实现快速大规模矩阵补全。在IJCAI。4002\u20134008。问：姚明和郭台铭。2015年，加快了大规模矩阵快速完成的不精确软计算。在IJCAI。4002\u20134008.“}，{”key“：”e_1_1_68_1“，”unstructured“：”Q.Yao和J.Kwok.2016。通过重新分配非凸性，利用非凸正则化子族进行有效学习。在ICML中。2645\u20132654。问：姚明和郭台铭。2016年，通过重新分配非凸性，与非凸正则化子家族进行有效学习。在ICML中。2645\u20132654.“}，{”key“：”e_1_2_1_69_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Q.Yao J.Kwok F.Gao W.Chen和T.-Y.Liu.2017。非凸问题的高效非精确近似梯度算法。在IJCAI。3308\u20133314。问：姚J.郭富伟、高伟晨和刘天佑。2017.非凸问题的高效非精确近似梯度算法。在IJCAI。3308\u20133314.“，”DOI“：”10.24963\/ijcai.2017\/462“}，{”key“：”e_1_2_1_70_1“，“DOI-asserted-by”：“publisher”，“DOI”：“10.1109\/TPAMI.2018.2858249”}，“key”：“e_1_cu1_71_1”，”unstructured“：”Q.Yao和M.Wang。2018。让人类脱离学习应用：自动化机器学习调查。技术报告。问：姚明和M.王。2018.将人类从学习应用程序中剔除：自动化机器学习调查。技术报告。“}，{”key“：”e_1_2_1_72_1“，”doi-asserted-by“：”crossref“，“unstructured”：“M.Ye P.Yin W.C.Lee和D.L.Lee.2011。利用地理影响提出合作兴趣点建议。在SIGIR中。325\u2013334。M.Ye P.Yin W.C.Lee和D.L.Lee。2011.利用地理影响力提出合作兴趣点建议。在SIGIR中。325\u2013334.“，”DOI“：”10.1145\/2009916.200962“}，{”key“：”e_1_2_1_73_1“，”unstructured“：”X.Yu X.Ren Q.Gu Y.Sun and J.Han.2013。异构信息网络中具有实体相似性正则化的协同过滤。技术报告。伊利诺伊大学香槟分校。X.Yu X.Ren Q.Gu Y.Sun和J.Han。2013.异构信息网络中实体相似性规则化的协同过滤。技术报告。伊利诺伊大学香槟分校。“}，{”key“：”e_1_2_1_74_1“，”doi-asserted-by“：”crossref“，“unstructured”：“X.Yu X.Ren Y.Sun Q.Gu B.Sturt U.Khandelwal B.Norick和J.Han.2014。个性化实体推荐：一种异构信息网络方法。在WSDM中。283\u2013292。X.Yu X.Ren Y.Sun Q.Gu B.Sturt U.Khandelwal B.Norick和J.Han。2014.个性化实体推荐：异构信息网络方法。在WSDM中。283\u2013292.“，”DOI“：”10.1145\/2556195.2556259“}，{”key“：”e_1_2_1_75_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“D.Zhang J.Yin X.Zhu和C.Zhang。2018。Metagraph2vec：复杂语义路径增强的异构网络嵌入。在PAKDD中。196\u2013208。D.Zhang J.Yin X.Zhu和C.Zhang。2018.Metagraph2vec：复杂语义路径增强异构网络嵌入。在PAKDD中。196\u2013208.“，”DOI“：”10.1007\/978-3-319-93037-4_16“}，{”key“：”e_1_2_1_76_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“J.Zhang P.S.Yu和Z.Zhou。2014。基于元路径的多网络集体链路预测。在SIGKDD中。1286\u20131295。J.Zhang P.S.Yu和Z.Zhou。2014.基于元路径的多网络集体链路预测。在SIGKDD中。1286\u20131295.“，”DOI“：”10.1145\/2623330.2623645“}，{”key“：”e_1_2_1_77_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.5555\/1756006.1756041”}，“key”：“e_1_i_1_78_1”，“unstructured”：“W.Z.Z.Liu M.Wu和X.Zhang.2020。mg2vec：学习关系——通过元图嵌入来保存异构图表示。IEEE知识与数据工程汇刊（2020年）。W.Zhang Y.Fang Z.Liu M.Wu和X.Zhang。mg2vec：学习关系——通过元图嵌入保存异构图表示。IEEE知识与数据工程汇刊（2020年）。“}，{”key“：”e_1_2_1_80_1“，”doi-asserted-by“：”crossref“，“unstructured”：“H.Zhao Q.Yao J.Kwok和D.Lee.2017a.与社交本地模型的协作过滤。在ICDM.645\u2013654中。H.Zhao Q.姚J.Kwok和D.Lee。2017年a。使用社交本地模型进行协作过滤。在ICDM中。645\u2013654.“，”DOI“：”10.1109\/ICDM.2017.74“}，{”key“：”e_1_2_1_81_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“H.Zhao Q.Yao J.Li Y.Song and D.Lee.2017b.异构信息网络上基于元粒度的推荐融合。在SIGKDD.635\u2013 644。H.Zhao Q.Yao J.Li Y.Song和D.Lee。2017年b月。异构信息网络上基于元粒度的推荐融合。在SIGKDD中。635\u2013644.“，”DOI“：”10.1145\/3097983.3098063“}，{”key“：”e_1_2_1_82_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“H.Zhao Y.Zhou Y.Song and D.L.Lee.2019。Motif增强了对异构信息网络的推荐。在CIKM中。2189\u20132192。H.Zhao Y.Zhou Y.Song和D.L.Lee。2019.Motif增强了对异构信息网络的推荐。在CIKM中。2189\u20132192.“，”DOI“：”10.1145\/3357384.3358134“}，{”key“：”e_1_2_1_83_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1016\/j.artint.2012.002”}]，”container-title“：[”ACM Transactions on Knowledge Discovery from Data“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/DOI\/pdf \/10.1145\/344146“，”内容类型“：”未指定“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2023,1,1]]，”date-time“：”2023-01-01T21:36Z“，”timestamp“：1672608696000}，”score“：1，”resource“：{primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/344146”}}，“副标题”：[]，“短标题”：[]，“已发布”：{“date-parts”：[[2021,6,10]]}，“references-count”：80，“日志问题“：{”问题“：“4”，“published-print”：{“date-parts”：[2021,8,31]]}}，“alternative-id”：[“10.1145\/344146”]，“URL”：“http://\/dx.doi.org\/10.1145\/3441446”，“relationship”：{}，”ISSN“：[”1556-4681“，”1556-472X“]，”ISSN-type“：[{”value“：”1556-46081“，“type”：“print”}，{“值”：“1556-472X”，“类型”：“电子”}]，“主题”：[]，“发布”：{date-parts“：[[2021,6,10]]}，”assertion“：[{”value“：”2019-09-01“，”order“：0，”name“：”received“，”label“：”received“，“group”：{“name”：“publication_history”，“label”：“publication history”}}，{“value”：“2020-12-01”，“order”：1，“name”:“accepted”，“table”：“accepted“，{“值”：“2021-06-10”，“顺序“：2，”名称“：”发布“，”标签“：”已发布“，“组”：{“名称”：“publication_history”，“标签”：“publication history”}}]}