异构信息网络上推荐系统的边信息融合

协作过滤（CF）是目前最重要、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“矩阵分解（MF）+分解机（FM）”框架解决信息融合问题，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。