異構資訊網路+推薦===總結_網路分析相關

關於異構資訊網路的基本概念，可以先看看：異構資訊網路–基本概念和定義學習筆記

** 一、元路徑（Meta Path）

**

- 因為異構資訊網路（以後簡稱為HIN）中包含著更多的節點類型和邊的類型，相對於同構網路來說比較複雜，所以Yizhou Sun【1】第一次提出了元路徑（meta path）的概念，基於元路徑來分析HIN，簡單來說元路徑就是串連兩個節點之間的邊類型和節點類型的串聯。詳細的還是看異構資訊網路–基本概念和定義學習筆記。

- 基於元路徑最基本的兩個工作是：
（1）衡量HIN中基於對稱元路徑的相同類型節點間的相似性方法PathSim【1】（代碼python2.7：http://download.csdn.net/download/u013527419/9475257）。
（2）衡量HIN中基於任意元路徑的相同/不同類型節點間的相似性方法HeteSim【2】（代碼：https://download.csdn.net/download/u013527419/10353251）。
當然還有其他的很多：PathCount（像這種偏好於可見度高的節點的方法是不是更應該應用到推薦的任務中呢。直覺上人也是更選擇流行度高的items），PCRW等。後來基於這兩種基本的方法又有了很多工作，畢竟相似性是一些像是聚類、連結預測、推薦等工作的基礎。這方面感興趣的可以參考一下北京郵電大學Chuan Shi老師的publications：http://dblp.uni-trier.de/pers/hd/s/Shi:Chuan。
（3）其他基於meta path 的相似性度量方式：
- common node，PCRW，BPCRW
- KnowSim（based on given meta path and the reverse meta path）
- AvgSim（similarity of documents in HIN）
- RelSim（measure the similarity of relations in HIN）

3.HIN中基於meta path做推薦的工作，比較經典的就是：
（1）SemRec【3】在加權HIN中綜合考慮基於不同meta poth 的user和item之間的相似性來做推薦；
（2） Yu et al. 【4】用了矩陣分解的方法得到基於不同meta poth 的user和item的隱式特徵來做推薦；

這兩種方法都是基於不同的meta path得到不同的結果，所以這裡有一個資料融合的問題，【3】用HeteSim。得到基於不同meta path 的user和item之間的相似性，然後將這些相似性用不同權重合起來，這種方法並沒有考慮 implict factors，並且得到的不同的用來做ensemble的相似性矩陣都可能很稀疏。 【4】是先矩陣分解得到基於不同meta poth的user和item的隱向量表示之後，再用通過給內積分配不同的權重來擬合真實的評分，來得到權重值。這種方法在最終做做ensemble的的過程中其實只是考慮到了與當前預測值有關的variables，跟其他值是沒有關係的。
這方面可以看看Yizhou Sun 的相關文章：http://www.ccs.neu.edu/home/yzsun/Publications.htm
或者是 Xiang Ren ：http://xren7.web.engr.illinois.edu/，X. Yu等。
**
二、Meta Structure 或 Meta Graph

**



1. 鑒於meta path的表徵能力有限。例如，在DBLP中, 如果我們想要度量發表的論文既在同一個會議上又含有相同的主題詞(i.e.,the APVPA and APTPA paths)的兩個作者的關係時，meta path 就不太好使，像是a1 和a2 基於meta path的三種相似性都是相同的。【5】提出了meta structure，，能表示一些更複雜的關係，meta path 是 meta structure 的特例。
2. 基於 meta structure 做推薦的可以看看【6】。
這方面感興趣的可以看一下：https://www.cse.ust.hk/~yqsong/ 和 http://i.cs.hku.hk/~ckcheng/

參考文獻：
【1】Sun, Y.Z., Han, J.W., Yan, X.F., Yu, P.S., Wu, T.: PathSim: meta path-based Top-K similarity
search in heterogeneous information networks. In: VLDB, pp. 992–1003 (2011)
【2】Shi, C., Kong, X., Huang, Y., Philip, S.Y., Wu, B.: Hetesim: a general framework for relevance
measure in heterogeneous networks. IEEE Trans. Knowl. Data Eng. 26(10), 2479–2492 (2014)
【3】Shi, C., Zhang, Z., Luo, P., Yu, P.S., Yue, Y., Wu, B.: Semantic path based personalized
recommendation on weighted heterogeneous information networks. In: CIKM, pp. 453–462
(2015)
【4】Yu, X., Ren, X., Sun, Y., Gu, Q., Sturt, B., Khandelwal, U., Norick, B., Han, J.: Personalized
entity recommendation: a heterogeneous information network approach. In: WSDM, pp. 283–
292 (2014)
【5】Huang, Z., Zheng, Y., Cheng, R., Sun, Y., Mamoulis, N., Li, X.: Meta structure: computing
relevance in large heterogeneous information networks. In: SIGKDD, pp. 1595–1604 (2016)
【6】Meta-Graph Based Recommendation Fusion over Heterogeneous Information Networks.

感覺上面那些人都是一個大圈裡的，最後掛的人無非就是Yizhou Sun，Philip S. Yu，Jiawei Han。
補充：關於推薦系統的一些亂七八糟的總結，可以看看：http://write.blog.csdn.net/postlist/6424393/null