题目：An Efficient Neighborhood-based Interaction Model for Recommendation on Heterogeneous Graph

 

文章作者信息：

 

预览摘要：

由于异构信息网络（HIN）能够表征复杂的图形，并且包含丰富的语义。近年来，HIN被广泛应用于推荐系统中。然而，现有的方法虽然提高了性能，但在实际应用中仍存在以下问题：

一方面，大多数现有的基于HIN的方法依赖于显式路径可达性来利用用户和项目之间基于路径的语义关联，例如基于元的相似性。而路径之间的连接是稀疏的或有噪声的，且通常具有不同的长度，因此这些方法很难实际应用和整合。

另一方面，其他基于图的方法在预测前将节点及其邻域信息压缩为单个嵌入，以学习有效的异构网络表示。这种弱耦合建模方式忽略了节点之间丰富的交互信息，这就引入了一个早期的概括问题。

本文提出了一个基于邻居的端到端推荐交互模型(NIRec)来解决上述问题。具体地说，文章首先分析了HINs中学习交互的意义，然后提出了一种新的基于节点元路径的邻域的形式来捕获每对节点之间的交互模式。此外，为了探讨元数据间复杂的交互，并解决大规模网络上学习的复杂性问题，文中采用卷积的方式来提取交互信息，并使用快速傅里叶变换来有效地学习。

文中在四种不同类型的异构图上进行了大量的实验，结果证明NIRec与最新技术相比的性能有所提高。

 

主要贡献：

本篇文章的主要贡献可以总结为以下三点：

（1）文中正式提出并解决了一个重要但很少被利用的问题——关于HIN的early summarization issue。

（2）文中提出了一种新颖的基于邻域卷积的HINs推荐交互模型，名为NIRec，它能够捕获和聚合节点级和路径级的丰富交互模式。

（3）提出了一种结合快速傅里叶变换(FFT)的高效端到端学习算法。

文中算法在四个公共数据集上进行了大量的实验，其结果证明NIRec的性能超过先进的基线算法。

 

模型结构：

 

异构信息网络和网络模式：

上图展示了异构信息网络和网络模式的一个例子，图(a)表示这个例子的整体网络信息，如电影Ma基于UMD的2跳的邻居有：{(uA,mA,dA), (uA,mA,dC), (uA,mB,dB)}；图(b)表示网络的具体模式，其中实线表示三种节点(user, movie, director)的两种关系/交互(user-movie, movie-director)，虚线表示潜在交互(user-director)；图(c)描述了该网络的两种不同的元路径，如User-Movie (UM)和User-Movie- Director (UMD)。

 

模型整体结构：

NIRec的总体架构如上图所示，主要包含(1)基于元路径的邻居选择，即从某一源节点出发，按照元路径搜索其邻居节点；(2)交互信息提取层，使用交互卷积操作获取节点之间的潜在交互信息；(3)信息聚合层，利用注意力机制将提取的节点级和路径级的特征信息进行聚合。

 

实验结果：

 

不同方法在(Movielens, LastFM, AMiner, Amazon)四种数据集上的实验效果：

 

注意力分布的可视化解释：

 

不断增加元路径信息对NIRec结果的影响：

 

邻域长度对NIRec方法的性能影响：

 

结论：

本文中介绍了early summarization问题，并提出了一个基于领域的交互推荐模型——NIRec用于解决这个问题。文中首先引入了基于元路径邻域的定义，以保持HINs上的异质性。然后，设计了一个交互信息提取模块，通过每个源节点和目标节点对的邻域来获取它们的相似度。此外，为了融合丰富的语义信息，文中分别提出了节点级注意机制和路径级注意机制来捕获关键交互和元信息。在四个真实数据集上的大量实验证明了该模型在推荐有效性和可解释性方面的优越性。但是，目前此方法仅能有效地捕获结构(图)侧的交互信息。然而非结构(节点)端也含有丰富的语义信息。因此，未来的发展方向是扩展邻域交互和聚合模块，以捕获双方的关键信息并适应更一般的场景。

 

更多相关专业文章，欢迎关注公众号！