面向高效基于图的推荐之自动元路径发现
信息检索
2022-09-08 v5 机器学习
摘要
异构信息网络(HINs)是刻画不同类型实体（如用户、电影和导演）之间关系的带标签图。对于HINs，基于元路径的推荐器(MPRs)利用元路径（即由节点与链接类型构成的抽象路径）来预测用户偏好，并因其可解释性与性能而备受关注。我们观察到MPRs的性能对其所用元路径高度敏感，但现有工作从众多可能路径中手动选择元路径。因此，为自动发现有效元路径，我们提出基于强化学习的元路径选择(RMS)框架。具体而言，我们定义元路径的向量编码并设计策略网络以扩展元路径。该策略网络基于下游推荐任务的结果进行训练，并提出早停近似策略以加速训练。RMS是一个通用模型，可与所有现有MPRs协同工作。我们还提出一种称为RMS-HRec的新MPR，其使用注意力机制从元路径聚合信息。我们在真实数据集上进行了大量实验。与手动选择的元路径相比，RMS识别的元路径一致地提升了推荐质量。此外，RMS-HRec在命中率上平均超越最先进推荐系统7%。代码与数据集可在 https://github.com/Stevenn9981/RMS-HRec 获取。
引用
@article{arxiv.2112.12845,
title = {Automatic Meta-Path Discovery for Effective Graph-Based Recommendation},
author = {Wentao Ning and Reynold Cheng and Jiajun Shen and Nur Al Hasan Haldar and Ben Kao and Xiao Yan and Nan Huo and Wai Kit Lam and Tian Li and Bo Tang},
journal= {arXiv preprint arXiv:2112.12845},
year = {2022}
}
备注
This paper is accepted as a full research paper by CIKM 2022