刘佳玮, 石 川 *, 杨 成, 菲利普·俞

1 北京邮电大学计算机学院 北京 中国 100876

2 智能通信软件与多媒体北京市重点实验室 北京 中国 100876

3 伊利诺伊大学芝加哥分校计算机科学系 芝加哥 美国 60607

1 引言

随着大数据时代的到来, 信息的爆炸式增长使得用户被大量无关信息淹没, 用户获取感兴趣信息的效率急剧下降。推荐系统[1]旨在挖掘用户潜在兴趣,为用户匹配最适合的信息, 从而解决信息过载问题、挖掘长尾需求、提升用户体验。实践证明, 推荐系统已经在电子商务[2]、多媒体[3]等服务场景中得到了有效的应用。

然而, 推荐系统往往面临着数据稀疏和冷启动问题, 因此无法得到精准的推荐结果。在推荐系统中引入辅助信息可以有效地缓解这些问题[4]。例如社会化推荐[5]根据用户之间的关系构造社交网络作为辅助信息, 从而能够在推荐系统中充分利用社会关系对用户喜好的影响。类似地, 基于地理位置的社交推荐[6]构建了用户与位置之间的关系, 通过用户的位置记录来捕捉用户的行为偏好。然而, 这些方法仅适用于某种特定类型的辅助信息, 不具有普适性。

异质信息网络[7]是一种通用的融合多源数据的方法。通过将推荐系统视为由不同类型对象和交互构成的异质信息网络, 我们可以建模用户与商品之间复杂的交互关系, 而且可以有效融合属性和各类辅助信息。基于异质信息网络的推荐系统在信息融合、探索结构语义等方面具有显著优势, 不仅可以有效缓解数据稀疏与冷启动问题, 而且有助于提升推荐系统的准确性和可解释性, 因此取得了广泛的关注与应用。……