Resumen

La red de información heterogénea (HIN), que contiene varios tipos de nodos y enlaces, se ha aplicado en sistemas de recomendación. Aunque los enfoques de recomendación basados en HIN funcionan mejor que los enfoques tradicionales de recomendación, aún tienen los siguientes problemas: por ejemplo, las meta-rutas se seleccionan manualmente, no automáticamente; las representaciones de meta-rutas rara vez se aprenden explícitamente; y la información global y local de cada nodo en HIN no se ha explorado simultáneamente. Para resolver las deficiencias mencionadas, proponemos un modelo de red neuronal de triple atención (TANN) para la tarea de recomendación. El modelo TANN propuesto aplica el algoritmo genético de estudio para seleccionar automáticamente las meta-rutas en primer lugar. Luego, aprende representaciones globales y locales de cada nodo, así como las representaciones de meta-rutas existentes en HIN. Después, se propone un mecanismo de triple atención para mejorar la influencia mutua entre usuarios, elementos y sus meta-rutas relacionadas. Finalmente, la información de interacción codific

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Red de información heterogénea; HIN; Sistemas de recomendación; Meta-rutas; Red neuronal de triple atención; TANN
• Keywords:Heterogeneous information network; HIN; Recommender systems; Meta-paths; Tri-attention neural network; TANN