文献类型：期刊文章

作　　者：伊磊[1,2] 纪淑娟[1]

Yi Lei;Ji Shujuan(Shandong Provincial Key Laboratory of Wisdom Mine Information Technology,Shandong University of Science&Technology,Qingdao Shandong 266590,China;Dept.of Personnel,Shandong Jianzhu University,Jinan 250101,China)

机构地区：[1]山东科技大学山东省智慧矿山信息技术重点实验室,山东青岛266590 [2]山东建筑大学人事处,济南250101

出　　处：《计算机应用研究》

基　　金：国家自然科学基金资助项目(71772107)。

年　　份：2022

卷　　号：39

期　　号：5

起止页码：1337-1342

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：为了完全挖掘异质信息网络中节点的特征并且更好地融合这些特征,提高推荐算法的性能,提出一种基于自注意力机制的局部与全局特征融合的评分预测算法(rating prediction algorithm based on self-attention mechanism and fusion of local&global features,AMFL&GRec)。首先基于LeaderRank算法提取目标节点的全局序列,基于元路径带偏置的随机游走算法提取节点的局部序列,通过skip-gram模型分别学习节点的全局特征与局部特征;通过自注意力机制学习目标节点对局部与全局特征的偏好,从而得到在单一元路径下节点的特征表示;再通过自注意力机制融合不同元路径下同一节点的表示,从而得到节点在不同元路径下的最终特征表示;最后基于多层感知器实现评分预测任务。在两个真实数据集进行了大量实验,实验结果验证了AMFL&GRec算法不仅能够捕获具有密集连通节点的微观(局部)结构,而且还能够捕获该节点在网络中的全局结构,从而使其得到的节点特征得以体现节点的整体(局部+全局)特征。同时,实验结果也证明了AMFL&GRec算法评分预测性能优于对比算法,从而证明利用自注意力机制考虑异质信息网络中节点对于局部、全局特征以及元路径的偏好能够提高评分预测的准确性。

关 键 词：异质信息网络  网络表示学习  注意力机制  评分预测

分 类 号：TP391]