【元路径引导的异质图模型探究综述3900字】.docx

元路径引导的异质图模型分析综述

目录

TOC\o1-2\h\u6203元路径引导的异质图模型分析综述 1

234681.1异质图构建 2

111011.2边权重赋予 4

262861.3元路径引导的异质图网络 5

31301.3.1加权图的GCN表示（WGCN） 5

207491.3.2语义级注意力 6

282601.4深度输出网络 8

282551.4.1深度输出网络结构 8

215341.4.2目标函数及优化方法 9

本文提出的基于GCN网络的异质图菜肴推荐系统如下图3.1所示。本文着眼于将用户-菜肴的交互信息放到图神经网络中去学习，利用异质图神经网络的结构特征建模菜肴数据，同时将元路径融合到异质图中，学习用户和菜肴各个方面的高阶表示形式进行饮食推荐。

主要介绍了针对用户-菜肴的交互数据，我们如何构建和定义异质图，3.2节主要介绍了利用逆文档词频的概念，为用户-主料-用户（UMU）、以及用户-辅料-用户（UCU）两条元路径添加权重的方法，以此解决大量的主辅料信息带来的信息冗余问题。3.3节将介绍了利用带权图如何学习多分辨率的节点表示，以及利用注意力机制学习不同元路径下的多种语义融合，形成用户和菜肴的最终嵌入。3.4节介绍了深度输出网络如何进行设计，并介绍了模型的损失函数以及参数优化的方法。

图3.1ADDINCNKISM.UserStyle基于元路径引导的异质图菜肴推荐模型图

异质图构建

传统的推荐系统无法很好地利用菜肴本身的风味以及食材这些辅助信息，导致最终推荐效果性能较差，并且由于用户-菜肴的交互信息本身带有相对稀疏的特性，导致了基于协同过滤的推荐系统在针对相对稀疏的数据效果并不是很理想。针对这些问题，本文提出了利用异质图来建模菜肴数据，将菜肴的主辅料数据以节点的形式构建进异质图中，利用异质信息网络进行用户菜肴的节点表示学习，既利用了主辅料的风味和食材信息捕获到了用户-菜肴的高阶结构信息，同时也减少了用户饮食记录的稀缺性，提升了推荐性能。菜肴异质图信息网络表示如下图3.2所示。

图3.2菜肴异质图信息网络

本文将菜肴的主辅料信息当作额外的节点的实体，构建了一个异质图网络，HING=(V,E)，其中包括用户U={u1,u2}，菜肴D={d1,d2},主料M={m1,m2}，辅料C={

表3.1菜肴异质图信息网络元路径

数据集

元路径

Foodrecipe

用户-菜肴-用户UDU

用户-主料-用户UMU

用户-辅料-用户UCU

菜肴-用户-菜肴DUD

菜肴-主料-菜肴DMD

菜肴-辅料-菜肴DCD

边权重赋予

用户对于菜肴的选择的原因大体上可以分为两类，一种是对于食材的偏好，如北方地区喜欢吃面食，沿海地区更喜欢吃鱼类，这部分信息包含在菜肴的主料里。另一种是菜肴的做法，如喜欢红烧，清蒸，油炸等类型的菜品，这部分信息包含在菜肴的辅料中。由于食材本身的主辅料信息巨大，一方面减缓了用户饮食记录的稀疏性，另一方面又带来了一些问题：主辅料信息的冗余，与用户不是强相关联。例如一些家常的调味品如盐、酱油、糖（少量），这些调味品并不能很好地体现某道菜肴的风味或者食材特征，因此在元路径UMU和元路径UCU中，本文借助于逆文档词频[63]的概念为这两条元路径上用户的邻居边赋予了权重，最后进行归一化操作，经过实验表明，针对食品数据集可以有比较明显的效果。

(3-1)

(3-2)

(3-3)

(3-4)

逆文档词频（TF-IDF）[63]是一种用于资讯检索与资讯探勘的常用加权术，用以评估一个字词对于一个文件集或一个语料库中的其中一份文件的重要程度。这里我们将公式中的参数意义进行了调整，使得调整后的公式能够表示主辅料i对于用户节点j的重要性，即用户对于某种主辅料的喜爱程度。公式中ni,j表示用户j吃过的菜肴中包含主辅料i的个数，knk,j表示用户j吃过的所有菜肴。Dcount表示菜肴总数，j:t

经过边权重的赋予，我们得到两个完整的新元路径UMU、UCU，通过这两条元路径可以直观并且较为清晰展现出用户对某些食材或是风味的偏好，通过后续的训练结果以及构造的元路径可以增强本文模型的可解性。

元路径引导的异质图网络

基于根据本地邻居[46]生成对象嵌入的GCN的基本思想的启发，本文提出了元路径引导的异质图GNN网络。我们利用元路径来获得与用户选择菜肴相关的各个方面的邻居，例如食材、风味等因素，得到的用户和菜肴的嵌入是它们的邻居在不同元路径下的聚合。在节点级别的聚合方面，为了充分利用3.2节赋予的用户-主料-用户、以及用户-辅料-用户两个元路径上边的权重，本文采用带权重的GCN网络进行节点的聚合，充分学习节点多分辨率的表示。

加权图的GCN表示（WGCN）

GCN