Meta-learning on Heterogeneous Information Networks for Cold-start Recommendation阅读笔记

动机

本文是2020年KDD上的一篇论文。当时解决推荐系统冷启动问题通常是通过更多的辅助信息作为用户和物品的特征，最近的一些工作通过异构信息网络捕获更丰富的语义信息。另一种方法是通过元学习，让新用户或新物品快速适应推荐系统。作者根据以上两点提出了本文的模型MetaHIN，利用元学习解决在HIN上的冷启动问题。

方法

MetaHIN整体结构如下，主要分为两个部分。

Semantic-enhanced Task Constructor

在推荐系统元学习中，通常将一个用户看作是一个任务，这个任务中包含的数据通常只有与这个用户交互的物品，为了丰富数据，我们使用异构图来扩充数据。
异构图是一种节点和边具有不同类型的图，例如下图中就有用户、电影、导演、演员四种不同类型的节点，元路径可以看作为一种复合的关系，
，以图中为例，UMAM就是一种元路径，\(u_3m_3d_1m_1\)就是这种元路径的一个实例。

语义增强的支持集可表示为

其中是用户实际评价过的物品的集合，是通过元路径扩充的物品的集合。

\(p\)代表不同种类的元路径。

Co-adaptation Meta-learner

首先讨论基础的模型。
根据不同种类的元路径进行不同的计算，首先通过当前集合中的物品表示计算出用户u的表示

之后根据偏好预测函数进行预测

损失函数为

以语义空间p为例，在本文作者提出的方法中，根据不同种类的元路径需要进行一个语义适应。
首先获取用户的表示

之后计算损失

关于语义空间p的参数更新为

之后进行一个任务适应


关于语义空间p的参数更新为

Optimization

整体目标为

其中

实验结果

无论是在冷启动场景还是正常情况下，本文提出的MetaHIN都取得最好效果。

总结

本文提出的MetaHIN可缓解HIN上的冷启动问题，主要通过Semantic-enhanced Task Constructor异构信息网络上的元路径增强数据，和Co-adaptation Meta-learner进行数据自适应和模型自适应，使得冷启动物品或用户能快速适应推荐系统。