An Approach to Semantic-Aware Heterogeneous Network Embedding for Recommender Systems

计算机科学 嵌入 推荐系统 特征学习 情报检索 背景(考古学) 文字嵌入 代表(政治) 任务(项目管理) 矩阵分解 光学(聚焦) 语义相似性 相似性(几何) 人工智能 理论计算机科学 机器学习 图像(数学) 古生物学 特征向量 物理 管理 光学 量子力学 政治 政治学 法学 经济 生物
作者
Phu Pham,Loan T. T. Nguyen,Ngoc Thanh Nguyen,Witold Pedrycz,Unil Yun,Jerry Chun‐Wei Lin,Bay Vo
出处
期刊:IEEE transactions on cybernetics [Institute of Electrical and Electronics Engineers]
卷期号:53 (9): 6027-6040 被引量:2
标识
DOI:10.1109/tcyb.2022.3233819
摘要

Recent studies on heterogeneous information network (HIN) embedding-based recommendations have encountered challenges. These challenges are related to the data heterogeneity of the associated unstructured attribute or content (e.g., text-based summary/description) of users and items in the context of HIN. In order to address these challenges, in this article, we propose a novel approach of semantic-aware HIN embedding-based recommendation, called SemHE4Rec. In our proposed SemHE4Rec model, we define two embedding techniques for efficiently learning the representations of both users and items in the context of HIN. These rich-structural user and item representations are then used to facilitate the matrix factorization (MF) process. The first embedding technique is a traditional co-occurrence representation learning (CoRL) approach which aims to learn the co-occurrence of structural features of users and items. These structural features are represented for their interconnections in terms of meta-paths. In order to do that, we adopt the well-known meta-path-based random walk strategy and heterogeneous Skip-gram architecture. The second embedding approach is a semantic-aware representation learning (SRL) method. The SRL embedding technique is designed to focus on capturing the unstructured semantic relations between users and item content for the recommendation task. Finally, all the learned representations of users and items are then jointly combined and optimized while integrating with the extended MF for the recommendation task. Extensive experiments on real-world datasets demonstrate the effectiveness of the proposed SemHE4Rec in comparison with the recent state-of-the-art HIN embedding-based recommendation techniques, and reveal that the joint text-based and co-occurrence-based representation learning can help to improve the recommendation performance.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
小二郎应助imooakind采纳,获得30
3秒前
无限的臻关注了科研通微信公众号
3秒前
Andywong发布了新的文献求助30
3秒前
3秒前
李小幺发布了新的文献求助10
4秒前
4秒前
HGalong应助yy采纳,获得10
5秒前
生动茗茗发布了新的文献求助10
6秒前
RenS发布了新的文献求助10
6秒前
大大纷完成签到 ,获得积分10
7秒前
8秒前
何求发布了新的文献求助10
8秒前
舒心如凡完成签到,获得积分10
8秒前
小蘑菇应助晓晓采纳,获得10
8秒前
8秒前
高强发布了新的文献求助10
9秒前
卢文静发布了新的文献求助10
10秒前
summy发布了新的文献求助10
10秒前
七龙珠完成签到,获得积分10
10秒前
dreamy4869发布了新的文献求助10
12秒前
CodeCraft应助生动茗茗采纳,获得10
12秒前
阳光发布了新的文献求助10
12秒前
12秒前
13秒前
研友_LOro08完成签到,获得积分10
14秒前
14秒前
Lance发布了新的文献求助10
15秒前
18秒前
18秒前
大胆的碧彤完成签到,获得积分10
18秒前
觅云应助Fuao采纳,获得10
19秒前
妮可粒子发布了新的文献求助10
19秒前
20秒前
20秒前
jfz发布了新的文献求助10
20秒前
克偃统统完成签到,获得积分10
21秒前
21秒前
22秒前
23秒前
高分求助中
Deactivation and Catalyst Life Prediction of Ultra-Deep HDS Catalyst for Diesel Fractions 1000
Manual of Clinical Microbiology, 4 Volume Set (ASM Books) 13th Edition 1000
Sport in der Antike 800
De arte gymnastica. The art of gymnastics 600
少脉山油柑叶的化学成分研究 530
Electronic Structure Calculations and Structure-Property Relationships on Aromatic Nitro Compounds 500
Berns Ziesemer - Maos deutscher Topagent: Wie China die Bundesrepublik eroberte 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 有机化学 工程类 生物化学 纳米技术 物理 内科学 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 电极 光电子学 量子力学
热门帖子
关注 科研通微信公众号,转发送积分 2414132
求助须知:如何正确求助?哪些是违规求助? 2107688
关于积分的说明 5328114
捐赠科研通 1834942
什么是DOI,文献DOI怎么找? 914311
版权声明 560994
科研通“疑难数据库(出版商)”最低求助积分说明 488905