一般化ランダムウォークモデルとベイジアン個別ランキングに基づく異種情報ネットワークにおける推薦

異種情報ネットワーク（HIN）に基づく推薦は、協調フィルタリング、コンテンツベースのフィルタリング、コンテキストに応じた推薦、およびこれらの推薦セマンティクスの組み合わせを模倣する能力により、ますます注目を集めています。ランダムウォークに基づく手法は、通常、パスを発掘し、パスに重みを付け、HIN内の2つのノード間の近接性または関連性を計算するために使用されます。これらの手法の成功の鍵は、HIN内のリンクの重みを適切に設定する方法です。既存の手法では、リンクの重みは主にヒューリスティックに設定されています。本論文では、HIN内のリンクの重みを学習するためのベイジアン個別ランキング（BPR）に基づく機械学習手法であるHeteLearnを提案します。個別推薦のためのユーザーの嗜好をモデル化するために、HIN上での再起動を伴う一般化ランダムウォークモデルも提案します。提案された手法を個別推薦タスクとタグ推薦タスクで評価します。実験結果は、我々の手法が従来の協調フィルタリングと最先端のHINベースの推薦手法の両方よりも大幅に優れていることを示しています。