异质信息网络中元路径感知的评分协同过滤
异质信息网络中元路径感知的评分协同过滤
复制标题
DOI：
10.11897/sp.j.1016.2020.02385
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
何强
中科院分区：
文献类型：
--
作者：
何云飞;张以文;吕智慧;颜登程;何强
基于邻域的协同过滤(Neighborhood-Based Collaboration Filtering,NBCF)具有简单、可解释等优点一直备受关注且被广泛使用.然而,仅利用用户-项目的历史交互信息使得NBCF并不能获得很好的推荐性能.随着网络的快速发展,信息网络中包含了大量不同类型的对象和关系,越来越多丰富的语义信息可以被进一步挖掘和利用,自然构成了异质信息网络(Heterogeneous Information Network,HIN).基于HIN的推荐模型受到了研究者们的高度关注.相比于传统的推荐模型,基于HIN的推荐模型不仅能有效提高推荐性能,还能缓解冷启动和数据稀疏等问题.然而,现有基于HIN的推荐模型在保证模型有效性的同时往往需要学习较多的参数,参数的设定对模型性能有重要的影响.因此,本文提出一种无参数的HIN中元路径感知的评分协同过滤推荐模型HRCF,其主要思想是通过HIN中的元路径寻找评分的邻居,然后对邻居进行加权来估计该评分.首先,在不同的元路径上产生用户(项目)之间的交换矩阵;其次,将不同元路径上的交换矩阵进行整合计算用户(项目)之间的相似矩阵;最后将用户之间的相似矩阵、用户-项目的历史评分矩阵、项目之间的相似矩阵依次相乘并归一化从而一次性估计所有的评分.为验证HRCF模型的有效性,本文在公开的Douban Book和Yelp数据集上进行了实验.实验结果表明,HRCF模型的推荐精度优于目前存在的方法,且能很好地克服冷启动问题.