本文为 TKDE2020 的文章《Multi-task Learning for Recommendation over Heterogeneous Information Network》前半部分的解读。
论文链接:https://sci-hub.tw/10.1109/TKDE.2020.2983409
这篇文章提出了一个多任务学习框架,称为 MTRec,用于 HIN 上的推荐。MTRec 依靠自注意力机制学习 HIN 中元路径的语义,并联合优化推荐和链接预测任务。通过使用贝叶斯任务权重学习器,MTRec 能够在优化过程中自动实现两个任务的平衡。此外,MTRec 通过“翻译”机制提供了良好的推荐可解释性,该机制用于建模用户、项目和连接它们的元路径之间的三向交互。实验结果表明,MTRec 比最新的基于 HIN 的推荐模型具有更好的性能,并且文章最后提供的案例分析表明,MTRec 增强了 RS 的可解释性。
与传统的推荐方法相比,基于 HIN 的推荐方法能够对不同对象之间的复杂交互进行建模。描述和使用这些信息是提高推荐质量的关键,因为不同对象之间的交互会影响用户的行为,特别是当用户做出购买决策时。
因此,基于HIN的推荐技术提供了一种方法来了解哪些信息会影响推荐结果,并且对可解释的推荐系统具有重要价值。
目前基于 HIN 的 RS 的局限:
因此,HIN 与推荐之间存在着交互作用。然而,现有的方法只是对推荐进行优化,忽略了还有其他相关的任务(例如,对HIN的动态增长进行建模),联合学习多个任务可能会进一步提高所有任务的泛化性能。
针对上述问题,这篇文章提出了一种基于 HIN 的多任务学习推荐框架(简称 MTRec)。文章的贡献总结如下:
基于HIN的推荐问题:给定系统中的用户-项目交互矩阵
以往的基于 HIN 的推荐系统通常忽略了 HIN 的稀疏性和动态性。为了解决这些问题,MTRec 引入了一个辅助任务——HIN 的链路预测,并利用多任务学习设计了 MTRec 的体系结构。基于 HIN 的推荐任务和 HIN 的链接预测任务是相关的,因为它们共享元路径的一些特征。MTRec 采用多任务学习为基于HIN的推荐带来了几个好处:
MTRec的体系结构。“
”表示哈达玛积运算符,“
”表示串联运算符。“U”和“I”分别表示用户和项目。“A”、“B”、“C”和“D”是四种不同的对象类型。
上图为MTRec的总体体系结构,它由两个模块组成。左边的部分是 self-attentive 推荐模块,它根据连接用户和候选项目的元路径向用户提供 top-k 推荐。右边的部分是为 HIN 中的链路预测而设计的。这两个模块共享底层对象嵌入层。此外,每个模块拥有一个私有特征空间,并共享用于多任务学习的公共元路径特征空间。每个模块中的私有特征和共享特征分别通过各自模块中的私有自注意力层和公共自注意力层来学习。最后,在联合优化过程中,使用贝叶斯任务权重学习器自动平衡这两个任务。
与以前利用 CNN 等神经网络来学习元路径表示的基于嵌入的方法不同,MTRec 主要依靠自注意力来捕捉元路径中的复杂语义。MTRec 中使用的自注意力元路径建模方法可以分解为以下几个部分。
请关注下期推送。