基于异构信息网络元路径作张量分解的深度学习推荐系统

过去基于学习用户和物品的表征向量的推荐系统算法在大规模数据中取得了较好的结果.相比早期经典的基于矩阵分解(matrix factorization,MF)的推荐算法,近几年流行的基于深度学习的方法,在稀疏的数据集中具有更好的泛化能力.但许多方法只考虑了二维的评分矩阵信息,或者简单的对各种属性做嵌入表征,而忽略了各种属性之间的内部关系.异构信息网络(heterogeneous information network,HIN)相比同构网络能够存储更加丰富的语义特征.近几年结合异构信息网络与深度学习的推荐系统,通过元路径挖掘关键语义信息的方法成为研究热点.为了更好地挖掘各种辅助信息与用户喜好的关联性,本文结合张量分解、异构信息网络与深度学习方法,提出了新的模型hin-dcf.首先,基于数据集构建特定场景的异构信息网络;对于某一元路径,根据异构图中的路径信息生成其关联性矩阵.其次,合并不同元路径的关联性矩阵后,得到包含用户、物品、元路径三个维度的张量.接着,通过经典的张量分解算法,将用户、物品、元路径映射到相同维度的隐语义向量空间中.并且将分解得到的隐语义向量作为深度神经网络的输入层的初始化.考虑到不同用户对不同元路径的关联性偏好不同,融入注意力机制,学习不同用户、物品,与不同元路径的偏好权重.在实验部分,该模型在精确度上有效提升,并且更好地应对了数据稀疏的问题.最后提出了未来可能的研究方向.