文献类型：期刊文章

作　　者：何云飞[1] 张以文[1] 吕智慧[2,5] 颜登程[3] 何强[4]

HE Yun-Fei;ZHANG Yi-Wen;LV Zhi-Hui;YAN Deng-Cheng;HE Qiang(Department of computer science and technology,Anhui University,Hefei 230601;School of Computer Science,Fudan University,Shanghai 200433;Institutes of physical science and information technology,Anhui University,Hefei 230601;School of information technology,Swinburne University of Technology,Melbourne 3122,Australia;Engineering Research Center of Cyber Security Auditing and Monitoring,Ministry of Education,Shanghai 200433)

机构地区：[1]安徽大学计算机科学与技术学院,合肥230601 [2]复旦大学计算机科学技术学院,上海200433 [3]安徽大学物质科学与信息技术学院,合肥230601 [4]澳大利亚斯威本科技大学电子信息及软件工程学院,墨尔本3122澳大利亚 [5]网络信息安全审计与监控教育部工程研究中心,上海200433

出　　处：《计算机学报》

基　　金：国家重点研发计划(2019YFB1704101、2019YFB1405000);国家自然科学基金(61872002,U1936220,61873309)资助.

年　　份：2020

卷　　号：43

期　　号：12

起止页码：2385-2397

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：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.

关 键 词：异质信息网络  协同过滤 推荐系统 元路径  评分预测

分 类 号：TP18]