Recomendação em Redes de Informação Heterogêneas Baseada em Modelo de Caminhada Aleatória Generalizada e Classificação Personalizada Bayesiana

A recomendação baseada em rede de informação heterogênea (HIN) está atraindo cada vez mais atenção devido à sua capacidade de emular filtragem colaborativa, filtragem baseada em conteúdo, recomendação contextual e combinações de qualquer uma dessas semânticas de recomendação. Métodos baseados em caminhada aleatória são geralmente usados para minerar os caminhos, ponderar os caminhos e calcular a proximidade ou relevância entre dois nós em um HIN. Uma chave para o sucesso desses métodos é como definir adequadamente os pesos das ligações em um HIN. Nos métodos existentes, os pesos das conexões são, na maioria das vezes, definidos heuristicamente. Neste artigo, propomos um método de aprendizado de máquina baseado em Classificação Personalizada Bayesiana (BPR), chamado HeteLearn, para aprender os pesos das ligações em um HIN. Para modelar as preferências do usuário para recomendação personalizada, também propomos um modelo de caminhada aleatória generalizada com reinício em HINs. Avaliamos o método proposto em uma tarefa de recomendação personalizada e em uma tarefa de recomendação de tags. Resultados experimentais mostram que nosso método apresenta desempenho significativamente melhor do que tanto a filtragem colaborativa tradicional quanto os métodos de recomendação baseados em HIN de última geração.