DisenHAN：面向推荐的解耦异构图注意力网络
信息检索
2021-06-22 v1 机器学习
社会与信息网络
摘要
异质信息网络因能建模用户-物品交互中的丰富上下文信息，已被广泛用于缓解推荐系统中的稀疏性与冷启动问题。图神经网络可通过在图上的传播来编码这些丰富的上下文信息。然而，现有的异质图神经网络忽视了源自不同方面的潜在因子的纠缠。此外，现有方法中的元路径被简化为节点对之间的连接路径或侧信息，忽略了路径中丰富的语义信息。本文提出一种新颖的解耦异构图注意力网络 DisenHAN 用于 top- 推荐，该网络从异质信息网络中从不同方面学习解耦的用户/物品表示。具体而言，我们利用元关系分解节点对之间的高阶连通性，并提出一种解耦嵌入传播层，可迭代地识别元关系的主要方面。我们的模型从每个元关系为目标用户/物品聚合相应的方面特征。通过不同层的嵌入传播，DisenHAN 能够显式地从语义上捕获协同过滤效应。在三个真实世界数据集上的大量实验表明，DisenHAN 始终优于最先进的方法。我们通过深入的案例研究与可视化进一步证明了所学解耦表示的有效性与可解释性。
引用
@article{arxiv.2106.10879,
title = {DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation},
author = {Yifan Wang and Suyao Tang and Yuntong Lei and Weiping Song and Sheng Wang and Ming Zhang},
journal= {arXiv preprint arXiv:2106.10879},
year = {2021}
}
备注
Accepted at CIKM2020