基于路径的推荐模型总结

概述

基于路径的方法构建一个用户-物品图，并利用图中实体的连接模式进行推荐。该方法起源于2013年，这些模型利用用户和/或物品之间的连接相似性来增强推荐。

基于元路径语义相似度的推荐

一种基于路径的方法利用不同元路径中实体的语义相似性作为图的正则化，以细化HIN中用户和物品的表示。

Hete-MF，提取L个不同的元路径，并计算每条路径中的item-item相似性。将物品-物品-正则化与加权非负矩阵分解方法相结合，优化用户和物品的低级表示，以获得更好的推荐。

Hete-CF: 将用户-用户相似度、商品-商品相似度和用户-商品相似度作为正则化项，找到用户对未评级商品的亲和性。

HeteRec: 利用元路径相似性来丰富用户-商品交互矩阵R，从而提取出更全面的用户和商品表示。

HeteRec-p: 根据用户过去的行为对其进行聚类，并利用聚类信息生成个性化推荐，而不是采用全局偏好模型。

FMC：为了克服元路径表示能力的限制，用元图替换元路径。由于元图比元路径包含更丰富的连接信息，FMG可以更准确地捕捉实体之间的相似性。然后，该模型利用矩阵分解(MF)生成每个元图中用户和物品的潜在向量。接下来，应用因子分解机(FM)在不同的元图上融合用户和物品的特性，以计算偏好得分。

以上基于路径的方法只考虑了用户喜欢的交互项的数据，为了更好的表示用户偏好，SemRec提出将用户讨厌的物品纳入框架内计算。

SemRec：考虑用户喜欢和讨厌的过去物品的交互作用，该框架利用加权HIN和加权元路径在链接中集成属性值。通过对积极和消极的偏好模式进行建模，可以通过这些路径更准确地描述商品关系和用户相似度，从而传播真实的用户偏好。

RuleRec：学习相关物品之间的关系(共同购买，共同观看等) 通过利用物品在外部KG中的连接性。RuleRec联合训练一个规则学习模块和一个物品推荐模块。规则学习模块首先将物品与外部KG中的关联实体链接起来。接下来，以KG中的元路径的形式总结为可解释的规则。进一步学习每个规则的相应权重。然后，商品推荐模块将学习到的规则和规则权重与用户购买历史相结合，利用MF技术生成推荐。由于规则和规则权重是确定的，该模型使得推荐过程具有可解释性。

基于显示路径的推荐

另一种方法是利用框架学习连接用户-物品对的路径的显式embedding，以便直接建模用户-物品关系。

MCRec：学习元路径的显式表示，以描述用户-物品对的交互上下文。

KPRN：利用实体embedding和关系embedding两种方式构造提取的路径序列。通过加权池化层对每条路径的得分进行汇总，最终的偏好估计可用于推荐。

EIUM：它捕获用户的动态兴趣，以便进行顺序推荐。

PGPR：使用强化学习(RL)搜索用户-物品对之间的合理路径。他们将推荐问题表述为一个马尔可夫决策过程，以找到连接用户-物品对的合理路径。他们通过精心设计路径搜索算法、转换策略、终端条件和RL奖励，训练一个agent来采样用户和商品之间的10条路径。

总结

基于路径的方法根据用户-物品图生成推荐，这种方法过去也被称为基于HIN的推荐。在HINs中，一部分方法将MF与提取的元路径整合在一起。这些方法利用路径连接来规范化或丰富用户和/或物品表示。这些方法的缺点是，它们通常需要领域知识来定义元路径的类型和数量。

随着深度学习技术的发展，人们提出显式编码路径embedding的模型。推荐可以通过路径嵌入生成，也可以通过挖掘连接用户-物品对生成最优路径。

基于路径的方法自然地将可解释性引入推荐过程。对于传统的基于路径的方法，其动机是在元路径级别上匹配物品或用户的相似性。RuleRec利用外部KG生成推荐规则。因为规则和权重是确定的，所以推荐的理由也是用户可以理解的。最近的研究利用深度学习模型来自动挖掘用户-物品对的最优路径。