通过学习边类型有用性分布在异构音乐网络中提升社区检测性能
信息检索
2021-11-30 v3
摘要
随着音乐成为日常生活的重要部分，亟需开发推荐系统以更少的精力帮助用户找到更合适的歌曲。用户与歌曲之间的交互自然构建了复杂网络，社区检测方法可通过将相关用户与歌曲归为同一社区来揭示用户对歌曲的潜在兴趣。然而，由于交互类型可能是异构的，这对原本为同构网络设计的传统社区检测方法提出了挑战。尽管已有一些关于异构社区检测的工作，但它们多为任务驱动方法，难以用于特定的音乐推荐。本文中，我们提出一种基于遗传的方法，以学习异构音乐网络中所有边类型的边类型有用性分布（ETUD）。ETUD 可视为一个线性函数，将所有边投影到同一潜空间并使其可比较。因此，异构网络可转换为同构网络，从而可使用那些传统方法。我们在一个由在线音乐流媒体服务构建的异构音乐网络上验证了所提模型。结果表明，对于传统方法，ETUD 可帮助检测社区，显著提升音乐推荐准确率，同时降低用户搜索成本。
引用
@article{arxiv.2105.00627,
title = {Improving Community Detection Performance in Heterogeneous Music Network by Learning Edge-type Usefulness Distribution},
author = {Zheng Gao and Chun Guo and Shutian Ma and Xiaozhong Liu},
journal= {arXiv preprint arXiv:2105.00627},
year = {2021}
}