基于异质信息网络的推荐系统研究综述

推荐系统旨在为用户提供个性化匹配服务,从而有效缓解大数据时代的信息过载问题,并且改善用户体验,增加用户粘性,极大地促进了电子商务等领域的发展。然而,在实际应用场景中,由于数据稀疏和冷启动问题的存在,推荐系统往往难以得到精准的推荐结果;而复杂的模型设计也导致推荐系统的可解释性不尽如人意。因此,如何充分利用交互、属性、以及各种辅助信息提升推荐的性能和可解释性是推荐系统的核心问题。另一方面,异质信息网络作为一种全面地建模复杂系统中丰富的结构和语义信息的方法,在融合多源信息、捕捉结构语义等方面具有显著优势,已经被成功应用于相似性度量、节点聚类、链接预测、排序等各种数据挖掘任务中。近年来,采用异质信息网络统一建模推荐系统中不同类型对象的复杂交互行为、丰富的用户和商品属性以及各种各样的辅助信息,不仅有效地缓解了推荐系统的数据稀疏和冷启动问题,而且具有较好的可解释性,并因此得到了广泛关注与应用。本文旨在对基于异质信息网络的推荐系统进行全面地综述,首次系统地梳理现有工作,弥补该领域缺乏综述的空白。具体而言,本文首先介绍了异质信息网络和推荐系统的核心概念和背景知识,简要回顾了异质信息网络和推荐系统的研究现状,并且阐述了将推荐系统建模为异质信息网络的一般步骤。然后,本文根据模型原理的不同将现有方法分为三类,分别是基于相似性度量的方法、基于矩阵分解的方法和基于图表示学习的方法,并对每类方法的代表性工作进行了全面的介绍,指出了每类方法的优缺点和不同方法之间的发展脉络与内在关系。最后,本文讨论了现有方法存在的问题,并展望了该领域未来的几个潜在的研究方向。     

基于异质信息网络表示学习与注意力神经网络的推荐算法

推荐系统能够有效解决信息过载等问题,得到了国内外众多学者的广泛关注.真实世界中的应用场景往往可以建模成异质信息网络,因此基于异质信息网络表示学习的推荐算法成为了近年来的研究热点.然而,当前的研究工作仍然存在异质信息提取缺乏深度、节点的复杂关系发掘不充分等问题.为解决这些问题,文中提出了基于异质信息网络表示学习与注意力神...     

基于异质信息网络的推荐模型

为了解决推荐系统的冷启动和稀疏性问题, 本文提出了一种基于异质信息网络的推荐模型. 传统的推荐方法无法在知识图谱表示学习中融入隐含的路径信息, 这样使得知识推荐系统性能较为一般. 本文提出的模型在异质信息网络中设置元路径, 通过图神经网络融入到知识图谱表示学习中. 再利用注意力网络连接推荐任务和知识图谱表示任务, 其可以学习两个任务之中潜在的特征, 并且能够增强推荐系统中被推荐项和知识图谱中实体的相互作用. 最后在推荐任务中进行用户点击率预测. 模型在公开数据集Book-Crossing和通过DBLP数据集构建的图谱上进行了实验. 最后结果表明, 模型在AUC, 召回率和F1值3个指标上均比其他算法有更好的表现.     

基于注意力机制和异质信息网络元路径的推荐系统

异质信息网络（HIN）包含丰富的网络结构和语义信息使其常见于推荐系统中。然而,当前推荐系统的研究工作主要是基于元路径提供的间接信息进行推荐,而未充分利用直接交互信息。为了充分利用这些信息,提出一种融合注意力机制和异质信息网络元路径的三元交互模型（AMMRec）。在异质信息网络中使用隐式反馈矩阵构造用户相似度矩阵和项目相似度矩阵,运用异质信息网络的表示学习方法获得对应的特征向量嵌入,通过注意力机制对其进行修正;设计注意力神经网络,将不同元路径的表示向量进行融合;拼接用户嵌入、元路径嵌入和项目嵌入,通过全连接神经网络生成推荐结果。在真实数据集上的实验结果表明,AMMRec的推荐精度最高提升了9.5%。此外,AMMRec对推荐结果具有良好的可解释性。     

基于异质信息网络的模糊推荐算法

随着互联网信息的爆炸式增长,推荐系统扮演着越来越重要的角色。为了解决传统推荐系统存在的信息稀疏问题,并且合理表达用户的偏好,提出基于异质信息网络的模糊推荐算法(HFR)。HFR方法构建三角模糊评分模型将用户离散的评分信息模糊化,此外,还加入了项目的属性信息并使用元路径表示;在此基础上充分利用多源信息,提出了一种新的相似性度量,并预测评分获得最终的推荐结果。实验结果表明,HFR方法有效解决了信息稀疏问题,提高了推荐质量。     

用于冷启动推荐的异质信息网络对比元学习

在推荐系统中,冷启动推荐由于缺乏用户和物品交互信息而具有很大的挑战性.该问题可以由数据层和模型层的策略进行缓解.传统的数据层方法利用如特征信息的辅助信息来增强用户和物品表示的学习.最近,异质信息网络被整合于推荐系统中.它可以提供更丰富的辅助信息和更有意义的语义信息.但是,这些模型无法充分利用结构和语义信息,并且忽视了网络中的无标签信息.模型层的方法应用了元学习框架,该框架通过学习相似任务的先验知识然后利用很少的标签信息适应新任务,与冷启动问题相似.综上,我们提出了一个基于异质信息网络的对比元学习框架CM-HIN,同时在数据层和模型层解决冷启动问题.具体的,利用元路径和网络模式两个视图分别刻画异质信息网络的高阶以及本地结构信息.在元路径和网络模式视图中,采用对比学习挖掘异质信息网络的无标签信息并整合两个视图.在三个基准数据集上的三个冷启动推荐场景的大量实验中,CM-HIN超越了所有先进的基线模型.     

基于标签卷积神经网络的文本推荐算法

在面向用户的文章收集系统中,用户会将自己喜欢的文章收集起来构成自己的偏好文章集合,理解用户为何喜欢特定文章、如何精确的找到用户喜欢的文章目前成为了一个重要的研究课题.本文通过基于面向用户的文章收集系统中的一些相关信息,比如文本信息、标签等,来辅助推荐系统更好的进行文章的推荐.文中提出了基于标签卷积神经网络的文本推荐算法,结合神经网络和协同过滤算法的同时,将标签加入到神经网络的设计中.通过在真实的citeulike数据集进行的实验和验证,使用本文的模型可以有效的提高对用户偏好文章预测的准确性.     

基于异质信息网络分析的主题感知群推荐方法研究

在社交网络上面向群组推荐物品时,已有研究大多基于群成员的完整偏好,运用一些合成策略生成群推荐结果。但在实际中,促使群成员加入目标群的可能只是其完整偏好中与该群相关的部分偏好。因此,使用群成员的完整偏好进行推荐便会带来大量的噪声,损害推荐效果。为解决这一问题,提出了一种基于异质信息网络分析的主题感知群推荐方法HINGR_GT（heterogeneous information network analysis based group recommendation method with group topic considered）,针对每个群组构建面向群组的异质社交网络子图,将成员偏好中与群组无关的偏好提前排除在外,在此基础上使用异质网络表示学习方法为群组生成物品推荐。为验证所提方法的有效性,在豆瓣电影数据集上进行了实验,结果表明所提方法在所有评价指标上均取得了更好的效果。     

融合主题信息和卷积神经网络的混合推荐算法

针对传统的协同过滤算法中数据稀疏和推荐结果不准确的问题,提出了一种基于隐狄利克雷分布（LDA）与卷积神经网络（CNN）的概率矩阵分解推荐模型（LCPMF）,该模型综合考虑项目评论文档的主题信息与深层语义信息。首先,分别使用LDA主题模型和文本CNN对项目评论文档建模;然后,获取项目评论文档的显著潜在低维主题信息及全局深层语义信息,从而捕获项目文档的多层次特征表示;最后,将得到的用户和多层次的项目特征融合到概率矩阵分解（PMF）模型中,产生预测评分进行推荐。在真实数据集Movielens 1M、Movielens 10M与Amazon上,将LCPMF与经典的PMF、协同深度学习（CDL）、卷积矩阵因子分解模型（ConvMF）模型进行对比。实验结果表明,相较PMF、CDL、ConvMF模型,所提推荐模型LCPMF的均方根误差（RMSE）和平均绝对误差（MAE）在Movielens 1M数据集上分别降低了6.03%和5.38%、5.12%和4.03%、1.46%和2.00%,在Movielens 10M数据集上分别降低了5.35%和5.67%、2.50%和3.64%、1.75%和1.74%,在Amazon数据集上分别降低17.71%和23.63%、14.92%和17.47%、3.51%和4.87%,验证了所提模型在推荐系统中的可行性与有效性。     

BGNN: Behavior-aware graph neural network for heterogeneous session-based recommendation

Session-based recommendation (SBR) and multi-behavior recommendation (MBR) are both important problems and have attracted the attention of many researchers and practitioners. Different from SBR that solely uses one single type of behavior sequences and MBR that neglects sequential dynamics, heterogeneous SBR (HSBR) that exploits different types of behavioral information (e.g., examinations like clicks or browses, purchases, adds-to-carts and adds-to-favorites) in sequences is more consistent with real-world recommendation scenarios, but it is rarely studied. Early efforts towards HSBR focus on distinguishing different types of behaviors or exploiting homogeneous behavior transitions in a sequence with the same type of behaviors. However, all the existing solutions for HSBR do not exploit the rich heterogeneous behavior transitions in an explicit way and thus may fail to capture the semantic relations between different types of behaviors. However, all the existing solutions for HSBR do not model the rich heterogeneous behavior transitions in the form of graphs and thus may fail to capture the semantic relations between different types of behaviors. The limitation hinders the development of HSBR and results in unsatisfactory performance. As a response, we propose a novel behavior-aware graph neural network (BGNN) for HSBR. Our BGNN adopts a dual-channel learning strategy for differentiated modeling of two different types of behavior sequences in a session. Moreover, our BGNN integrates the information of both homogeneous behavior transitions and heterogeneous behavior transitions in a unified way. We then conduct extensive empirical studies on three real-world datasets, and find that our BGNN outperforms the best baseline by 21.87%, 18.49%, and 37.16% on average correspondingly. A series of further experiments and visualization studies demonstrate the rationality and effectiveness of our BGNN. An exploratory study on extending our BGNN to handle more than two types of behaviors show that our BGNN can easily and effectively be extended to multi-behavior scenarios.     

基于异质用户网络嵌入的服务推荐方法研究

服务推荐过程中,为充分利用用户标签标注关系与用户的社交关系信息,提升推荐结果的准确性,提出一种基于异质用户网络嵌入的方法,通过将用户节点映射为一个低维的向量,再利用得到的用户向量进行协同推荐。在公开数据集Delicious上进行了实证分析,实验结果表明,相对已有的2个方法,该方法的推荐精度可分别提高18.1%和16.6%,且发现在学习用户表征向量时,节点之间的直接关系与"朋友的朋友"关系对表示用户节点结构信息同等重要;同时,推荐过程中为目标用户返回的相似用户在25个最为适宜。     

学术社交网络中的权威学者推荐模型

目前，学术社交网络平台存在的信息过载和信息不对称等问题导致学者特别是影响力低的学者很难找到自己感兴趣的内容，同时，学术社交网络中影响力大的学者对学术社区的形成具有一定的促进作用并且对影响力低的学者的科学研究具有一定的导向作用，因此提出一种融合学术社区检测的权威学者推荐模型（ISRMACD）来为学术社交网络中的低影响力学者提供推荐服务。首先，利用影响力大的学者圈作为社区的核心结构对学术社交网络中学者间的关系纽带——好友关系所产生的复杂网络拓扑关系进行学术社区检测；然后，对社区内的学者计算影响力，并实现社区内部的权威学者推荐服务。在学者网数据集上的实验结果表明，该推荐模型在不同的权威学者推荐数量下均取得了较高的推荐质量，并且每次推荐10名权威学者取得的推荐精度最高，达到70%及以上。     

学术社交网络中的权威学者推荐模型

目前,学术社交网络平台存在的信息过载和信息不对称等问题导致学者特别是影响力低的学者很难找到自己感兴趣的内容,同时,学术社交网络中影响力大的学者对学术社区的形成具有一定的促进作用并且对影响力低的学者的科学研究具有一定的导向作用,因此提出一种融合学术社区检测的权威学者推荐模型（ISRMACD）来为学术社交网络中的低影响力学者提供推荐服务。首先,利用影响力大的学者圈作为社区的核心结构对学术社交网络中学者间的关系纽带——好友关系所产生的复杂网络拓扑关系进行学术社区检测;然后,对社区内的学者计算影响力,并实现社区内部的权威学者推荐服务。在学者网数据集上的实验结果表明,该推荐模型在不同的权威学者推荐数量下均取得了较高的推荐质量,并且每次推荐10名权威学者取得的推荐精度最高,达到70%及以上。     

Incorporating metapath interaction on heterogeneous information network for social recommendation

Heterogeneous information network (HIN) has recently been widely adopted to describe complex graph structure in recommendation systems, proving its effectiveness in modeling complex graph data. Although existing HIN-based recommendation studies have achieved great success by performing message propagation between connected nodes on the defined metapaths, they have the following major limitations. Existing works mainly convert heterogeneous graphs into homogeneous graphs via defining metapaths, which are not expressive enough to capture more complicated dependency relationships involved on the metapath. Besides, the heterogeneous information is more likely to be provided by item attributes while social relations between users are not adequately considered. To tackle these limitations, we propose a novel social recommendation model MPISR, which models MetaPath Interaction for Social Recommendation on heterogeneous information network. Specifically, our model first learns the initial node representation through a pretraining module, and then identifies potential social friends and item relations based on their similarity to construct a unified HIN. We then develop the two-way encoder module with similarity encoder and instance encoder to capture the similarity collaborative signals and relational dependency on different metapaths. Extensive experiments on five real datasets demonstrate the effectiveness of our method.     

基于图注意力的异构图社交推荐网络

针对现有社交推荐算法忽视了用户潜在关联和项目之间的协作关系,提出了一个新的算法模型GATHGN(GAT based heterogeneous graph neural network),在该模型框架中对用户关联和项目关系统一建模。首先,挖掘用户显式社交关系、潜在关联关系和用户—项目关联关系,从而提取用户社交高阶特征和潜在兴趣高阶特征;而后,基于图注意力机制聚合上述两种高阶特征,逐层更新用户融合特征;最后,依据更新的用户融合特征与项目特征计算最终的推荐结果。在Yelp数据集和Flickr数据集上的实验结果表明,GATHGN的命中率与归一化折损累计增益较基线算法有显著提升。     

基于异构星型网络分析的药物推荐改进算法HIC-MedRank

伴随着医疗文献数据库的快速增长,缺乏经验的初级医师在为患者开处方时难以阅读大量的医疗文献来获得科学的决策辅助。2013年提出的MedRank算法从Medline数据库中提取医学信息异构星型网络,基于"有疗效的药物是由好的文章提及的,好的文章是由优秀的作者写的并刊登在高水平的期刊上"的假设,旨在为各类疾病的患者推荐最具有疗效的药物。该算法仍然存在几个问题：1）模型输入的疾病不是独立的疾病;2）推荐的结果不是具体的药物;3）没有考虑文章的发表时间等其他因素;4）没有定义判定作者、期刊、文章是"好的"的标准。对以上问题进行了研究并提出HIC-MedRank算法,该算法纳入作者的H指数、期刊的影响因子、文章的引用数作为评判作者、期刊、文章是否优秀的指标,并综合考虑文章的发表时间、支持机构、发表类型等因素,为高血压合并慢性肾脏病（CKD）患者推荐最佳的降压药物。在Medline数据集上的实验结果显示HIC-MedRank推荐的药物比MedRank算法推荐的药物更为精准,与主治医师投票选择的药物较为一致,与美国成人高血压治疗指南（JNC）推荐的药物一致性达到80%。