异质信息网络上用于推荐系统的边信息融合

协同过滤（CF）一直是最重要且最受欢迎的推荐方法之一，其旨在基于用户过往行为预测用户偏好（评分）。近来，除用户给予物品的显式评分之外的各类边信息（side information），如用户间的社交关系与物品元数据，已被引入 CF 并被证明有助于提升推荐性能。然而，以往工作分别处理不同类型的信息，因而未能捕捉它们之间可能存在的关联。为解决此问题，本文研究异质信息网络（HIN）在增强基于 CF 的推荐方法中的应用。然而，在基于 HIN 的推荐中我们面临挑战性问题，即如何捕捉 HIN 中用户与物品间复杂语义的相似性，以及如何有效融合这些相似性以提升最终推荐性能。为应对这些问题，我们应用元图（metagraph）于相似性计算，并以“矩阵分解（MF）+ 因子分解机（FM）”框架解决信息融合问题。对于 MF 部分，我们从每个元图获得用户-物品相似性矩阵，然后应用低秩矩阵近似以获取用户与物品的隐特征。对于 FM 部分，我们在 MF 部分所得特征上应用带 Group lasso 的 FM（FMG）来训练推荐模型，同时识别有用的元图。除 FMG 这一两阶段方法外，我们进一步提出一种端到端方法——层次注意力融合（HAF），以融合基于元图的相似性用于最终推荐。在四个大型真实数据集上的实验结果表明，这两种所提框架在推荐性能上显著优于现有 SOTA 方法。