With the rapid development of the internet, more and more sophisticated data can be utilized by recommendation systems to improve their performance. Such data consist of heterogeneous information networks (HINs) made up of multiple nodes and link types. A critical challenge is how to effectively extract and apply the useful HIN information. In particular, the embedding-based recommendation approach has been widely used, as it can extract affluent semantic and structural information from HINs. However, the existing HIN embedding for recommendation methods only combine user embedding and item embedding through a simple concatenation or elementwise product, which does not suffer for an efficient recommendation model. In order to extract and utilize more comprehensive and subtle information from the embedding for recommendation, we propose Outer Product Enhanced Heterogeneous Information Network Embedding for Recommendation, called HopRec. The main idea is to utilize the outer product to model the pairwise relationship between user HIN embedding and item HIN embedding. Specifically, by performing an outer product between user HIN embedding and item HIN embedding, we can obtain a two-dimensional interaction matrix. Subsequently, we can obtain a rating prediction function by integrating matrix factorization (MF), user HIN embedding, item HIN embedding and interaction matrix. The results of experiments conducted on three open benchmark datasets show that HopRec significantly outperforms the state-of-the-art methods.

随着互联网的快速发展，推荐系统可以利用越来越多的复杂数据来改善其性能。这样的数据包括由多个节点和链接类型组成的异构信息网络（HIN）。一个关键的挑战是如何有效地提取和应用有用的HIN信息。特别地，基于嵌入的推荐方法已被广泛使用，因为它可以从HIN中提取丰富的语义和结构信息。但是，现有的用于推荐方法的HIN嵌入仅通过简单的级联或逐元素乘积将用户嵌入和项嵌入结合在一起，而这对于有效的推荐模型而言是不利的。为了从嵌入的建议中提取和利用更多全面而细微的信息，我们建议将外部产品增强的异构信息网络嵌入建议中，称为HopRec。主要思想是利用外部产品对用户HIN嵌入和项目HIN嵌入之间的成对关系进行建模。具体地，通过在用户HIN嵌入和项目HIN嵌入之间执行外部乘积，我们可以获得二维交互矩阵。随后，我们可以通过集成矩阵分解（MF），用户HIN嵌入，项HIN嵌入和交互矩阵来获得评分预测函数。在三个开放基准数据集上进行的实验结果表明，HopRec明显优于最新方法。主要思想是利用外部产品对用户HIN嵌入和项目HIN嵌入之间的成对关系进行建模。具体地，通过在用户HIN嵌入和项目HIN嵌入之间执行外部乘积，我们可以获得二维交互矩阵。随后，我们可以通过集成矩阵分解（MF），用户HIN嵌入，项HIN嵌入和交互矩阵来获得评分预测函数。在三个开放的基准数据集上进行的实验结果表明，HopRec的性能明显优于最新方法。主要思想是利用外部产品对用户HIN嵌入和项目HIN嵌入之间的成对关系进行建模。具体地，通过在用户HIN嵌入和项目HIN嵌入之间执行外部乘积，我们可以获得二维交互矩阵。随后，我们可以通过集成矩阵分解（MF），用户HIN嵌入，项HIN嵌入和交互矩阵来获得评分预测函数。在三个开放基准数据集上进行的实验结果表明，HopRec明显优于最新方法。我们可以通过整合矩阵分解（MF），用户HIN嵌入，项HIN嵌入和交互矩阵来获得评分预测函数。在三个开放的基准数据集上进行的实验结果表明，HopRec的性能明显优于最新方法。我们可以通过整合矩阵分解（MF），用户HIN嵌入，项HIN嵌入和交互矩阵来获得评分预测函数。在三个开放基准数据集上进行的实验结果表明，HopRec明显优于最新方法。