融合异质信息网络表示学习的跨领域推荐研究

针对单领域推荐中的数据"稀疏性"和用户"冷启动"问题,提出一种综合利用评分信息和特征信息的跨领域推荐模型.首先,利用异质网络表示学习,针对源领域和目标领域的异质信息网络,通过元路径、DeepWalk算法生成网络表示学习向量,进而利用个性化非线性融合输出源领域和目标领域的物品特征信息向量;其次,利用神经网络模拟CMF(collective matrix factorization),生成用户和物品的评分信息向量,并通过映射函数MLP(multilayer perceptron)将用户评分信息向量映射到不同领域,以突出用户特征在不同领域的差异性;最后,将评分信息和特征信息有机融合,以损失函数为依据,采用梯度下降的方法学习模型的参数,从而完成评分预测.研究结果表明,在豆瓣网和Amazon数据集上,本文模型均优于其他相关算法;在提升推荐效果方面,目标领域RMSE(root mean squared error)和MAE(mean absolute error)下降了1％～15％,源领域RMSE和MAE下降了1％～19％;在用户"冷启动"方面,目标领域的RMSE和MAE下降了1％～14％.