基于异质网络路径推理的双向建模推荐方法
信息检索
2020-08-11 v1
摘要
异质信息网络(HIN)是推荐系统中数据的一种自然且通用的表示。将HIN与推荐系统结合，不仅有助于对用户行为进行建模，还能通过将用户/物品与网络中各类实体对齐，使推荐结果具有可解释性。近年来，基于路径的推理模型在基于HIN的推荐中展现出强大能力。这些模型的基本思想是利用预定义路径方案来探索HIN。尽管有效，这些模型常面临以下局限：(1) 多数先前基于路径的推理模型在建模序列时仅考虑前驱节点对后续节点的影响，忽略了路径中节点间的相互作用；(2) 同一路径实例中节点的权重通常被假定为常数，而可变节点权重可带来更大灵活性并实现更具表现力的建模；(3) 用户-物品交互含有噪声，却常被无差别地利用。为克服上述问题，本文提出一种新颖的基于HIN的推荐路径推理方法。具体而言，我们使用双向LSTM实现路径的双向建模并捕获节点间相互作用；随后采用注意力机制学习节点在不同上下文中的动态影响；最后，在模型损失函数上施加对抗正则化项以缓解噪声影响并增强基于HIN的推荐。在三个公开数据集上的大量实验表明，我们的模型优于最先进的基线。案例研究进一步证明了我们的模型在可解释推荐任务上的可行性。
引用
@article{arxiv.2008.04185,
title = {Path-Based Reasoning over Heterogeneous Networks for Recommendation via Bidirectional Modeling},
author = {Junwei Zhang and Min Gao and Junliang Yu and Linda Yang and Zongwei Wang and Qingyu Xiong},
journal= {arXiv preprint arXiv:2008.04185},
year = {2020}
}
备注
11 pages, 5 figures, Neurocomputing