[发明专利]基于元路径融合和异构网络的神经网络推荐方法及系统

说明书

本发明属于个性化推荐技术领域，公开一种基于元路径融合和异构网络的神经网络推荐方法及系统，该方法首先根据领域知识设计合适的元路径；然后，通过基于元路径和连通矩阵的异构网络嵌入方法，得到用户和项目的嵌入向量；最后，鉴于深度神经网络强大的非线性建模能力，将学习到的不同元路径下的嵌入向量集成到一个双通道MLP结构中进行评分预测。本发明可以根据预定义的元路径有效地从异构信息网络中提取和融合用户偏好和项目属性的有用特征，并在Yelp、豆瓣图书和豆瓣电影三个真实数据集上进行了大量实验，实验结果验证了本发明在评分预测方面的有效性和优越性。

技术领域

本发明涉及个性化推荐技术领域，尤其涉及一种基于元路径融合和异构网络的神经网络推荐方法及系统。

背景技术

随着互联网技术的飞速发展，当今社会已经进入了一个信息爆炸的时代。为了缓解信息过载问题，推荐系统作为一类有效的信息过滤方法，已经在学术界进行了广泛的研究，并在许多不同的场景(例如，电子商务、广告和在线新闻/音乐/电影)中得到了广泛应用。毫不夸张地说，几乎所有在线内容服务都配备了推荐系统以提升用户体验。具体而言，通过分析用户和项目的特性(基于内容的推荐)，或利用用户和项目之间的历史交互(基于协同过滤的推荐)，推荐系统构建了一个可以有效发现用户潜在需求并进行个性化推荐的用户偏好模型。

协同过滤是推荐系统中最流行、应用最广泛的方法之一。传统的协同过滤方法仅使用用户和项目的交互(例如，评分和点击)来建模用户偏好以进行个性化推荐，这种方法简单且易于实现。但是，由于数据稀疏性和冷启动问题，仅使用用户-项目交互的推荐算法的性能是有限的。为了缓解这些问题，一些工作综合了用户-项目交互和边信息(如社会关系、项目属性和文本描述)以获得更好的推荐性能。边信息中包含了用户和项目的大量特征信息，这些信息可能有助于推荐。不过，由于边信息的多源异构性，准确建模和充分利用这些边信息是一个巨大的挑战。

异构信息网络(Heterogeneous Information Network，HIN)作为一种强大的数据建模工具，已成功应用于节点分类、聚类、链接预测、相似性度量、推荐系统等领域。由于异构信息网络具有多种类型关系连接多种类型实体的结构，因此它可以有效地对边信息的异构性和复杂性进行建模。为了表示不同实体之间丰富而复杂的关系，元路径通常被用于刻画异构信息网络中的不同结构和语义模式，它描述了两种实体类型如何通过特定语义路径进行连接。近年来，人们提出了许多使用元路径和异构信息网络的推荐方法。根据如何利用元路径提取异构信息网络种的特征进行推荐，这些方法主要可以分为两类，即基于路径相似性的方法和基于网络嵌入的方法。大多数现有方法属于第一类，它们利用元路径引导的用户和项目之间的语义相似性来进行推荐。然而，由于路径连接中的噪声和元路径加权机制的局限性，基于路径相似度的方法不能充分、恰当地利用异构信息网络中的语义信息。近年来，随着word2vec在网络表示学习中的应用，基于网络嵌入的方法已成为一个新兴的研究热点。这种方法利用融合机制，将不同元路径下的用户和项目嵌入结合起来进行推荐，在稀疏和噪声数据中获得了比基于路径相似度的方法更好的推荐性能。

然而，基于元路径和异构信息网络的推荐方法仍然存在两个挑战。第一个挑战，如何全面地从异构信息网络中提取用户偏好和项目属性的有用特征。第二个挑战，如何有效地融合不同语义路径下用户和项目的表示进行推荐。

发明内容

本发明针对现有基于元路径和异构信息网络的推荐方法存在的不能全面地从异构信息网络中提取用户偏好和项目属性的有用特征，不能有效地融合不同语义路径下用户和项目的表示进行推荐的问题，提出一种基于元路径融合和异构网络的神经网络推荐方法及系统，能够有效地刻画用户与项目之间复杂的非线性交互以进行评分预测。

为了实现上述目的，本发明采用以下技术方案：

本发明一方面提出一种基于元路径融合和异构网络的神经网络推荐方法，包括：

步骤1：将用户-项目评分数据和边信息建模为一个异构信息网络，并根据领域知识选择合适的元路径；