Existing recommender systems usually make recommendations by exploiting the binary relationship between users and items, and assume that users only have flat preferences for items. They ignore the users' intentions as an origin and driving force for users' performance. Cognitive science tells us that users' preference comes from an explicit intention. They first have an intention to possess a particular (type of) item(s) and then their preferences emerge when facing multiple available options. Most of the data used in recommender systems are composed of heterogeneous information contained in a complicated network's structure. Learning effective representations from these heterogeneous information networks (HINs) can help capture the user's intention and preferences, therefore, improving recommendation performance. We propose a hierarchical user's intention and preferences modeling for sequential recommendation based on relation-aware HIN embedding (HIP-RHINE). We first construct a multirelational semantic space of heterogeneous information networks to learn node embedding based on specific relations. We then model user's intention and preferences using hierarchical trees. Finally, we leverage the structured decision patterns to learn user's preferences and thereafter make recommendations. To demonstrate the effectiveness of our proposed model, we also report on the conducted experiments on three real data sets. The results demonstrated that our model achieves significant improvements in Recall and Mean Reciprocal Rank metrics compared with other baselines.

中文翻译：

---

分层用户意图 - 具有关系感知异构信息网络嵌入的顺序推荐偏好

现有的推荐系统通常利用用户和物品之间的二元关系进行推荐，并假设用户对物品只有平坦的偏好。他们忽略了用户的意图作为用户性能的起源和驱动力。认知科学告诉我们，用户的偏好来自明确的意图。他们首先有意拥有特定（类型）的物品，然后当面临多种可用选择时，他们的偏好就会出现。推荐系统中使用的大多数数据都是由包含在复杂网络结构中的异构信息组成的。从这些异构信息网络 (HIN) 中学习有效的表示可以帮助捕捉用户的意图和偏好，从而提高推荐性能。我们提出了基于关系感知 HIN 嵌入 (HIP-RHINE) 的顺序推荐的分层用户意图和偏好建模。我们首先构建异构信息网络的多关系语义空间，以学习基于特定关系的节点嵌入。然后，我们使用分层树对用户的意图和偏好进行建模。最后，我们利用结构化决策模式来了解用户的偏好，然后提出建议。为了证明我们提出的模型的有效性，我们还报告了在三个真实数据集上进行的实验。结果表明，与其他基线相比，我们的模型在召回率和平均倒数排名指标方面取得了显着改进。基于关系感知 HIN 嵌入 (HIP-RHINE) 的顺序推荐的意图和偏好建模。我们首先构建异构信息网络的多关系语义空间，以学习基于特定关系的节点嵌入。然后，我们使用分层树对用户的意图和偏好进行建模。最后，我们利用结构化决策模式来了解用户的偏好，然后提出建议。为了证明我们提出的模型的有效性，我们还报告了在三个真实数据集上进行的实验。结果表明，与其他基线相比，我们的模型在召回率和平均倒数排名指标方面取得了显着改进。基于关系感知 HIN 嵌入 (HIP-RHINE) 的顺序推荐的意图和偏好建模。我们首先构建异构信息网络的多关系语义空间，以学习基于特定关系的节点嵌入。然后，我们使用分层树对用户的意图和偏好进行建模。最后，我们利用结构化决策模式来了解用户的偏好，然后提出建议。为了证明我们提出的模型的有效性，我们还报告了在三个真实数据集上进行的实验。结果表明，与其他基线相比，我们的模型在召回率和平均倒数排名指标方面取得了显着改进。我们首先构建异构信息网络的多关系语义空间，以学习基于特定关系的节点嵌入。然后，我们使用分层树对用户的意图和偏好进行建模。最后，我们利用结构化决策模式来了解用户的偏好，然后提出建议。为了证明我们提出的模型的有效性，我们还报告了在三个真实数据集上进行的实验。结果表明，与其他基线相比，我们的模型在召回率和平均倒数排名指标方面取得了显着改进。我们首先构建异构信息网络的多关系语义空间，以学习基于特定关系的节点嵌入。然后，我们使用分层树对用户的意图和偏好进行建模。最后，我们利用结构化决策模式来了解用户的偏好，然后提出建议。为了证明我们提出的模型的有效性，我们还报告了在三个真实数据集上进行的实验。结果表明，与其他基线相比，我们的模型在召回率和平均倒数排名指标方面取得了显着改进。的偏好，然后提出建议。为了证明我们提出的模型的有效性，我们还报告了在三个真实数据集上进行的实验。结果表明，与其他基线相比，我们的模型在召回率和平均倒数排名指标方面取得了显着改进。的偏好，然后提出建议。为了证明我们提出的模型的有效性，我们还报告了在三个真实数据集上进行的实验。结果表明，与其他基线相比，我们的模型在召回率和平均倒数排名指标方面取得了显着改进。