多阶元路径引导的异质图神经网络新闻推荐模型
Meta-path guided heterogeneous graph neural networks for news recommendation作者机构:中国人民大学应用统计研究中心北京100872 中国人民大学统计学院北京100872 字节跳动数据推荐组北京100024
出 版 物:《系统工程理论与实践》 (Systems Engineering-Theory & Practice)
年 卷 期:2024年第44卷第5期
页 面:1561-1576页
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:教育部人文社会科学重点研究基地重大项目(22JJD910002) 国家自然科学基金(72371241,72171229) 全国统计科学研究项目(2022LD06)
摘 要:新闻推荐是一种重要的推荐场景,其推荐效果依赖于对新闻文本信息的充分挖掘.近年来,图神经网络因其强大的高阶信息挖掘能力,在推荐领域受到了广泛关注.然而,在新闻推荐领域,鲜有研究使用异质图神经网络,而且现有的异质图推荐模型也存在信息损失问题.为了充分挖掘新闻推荐场景中新闻、用户、主题、实体、类别等之间的高阶信息,更充分的挖掘新闻的文本特征,本文提出针对新闻推荐场景的多阶元路径引导的异质图神经网络推荐模型(简称MPNRec).该模型通过构建含有更多类型节点和边的异质图充分挖掘高阶信息,从而提高推荐效果.该方法在MIND small和Adressa 1week两个公开数据集上应用,较现有各种推荐方法在各项评价指标上至少能达到2%到5%的相对提升.