胡亮教授相关成果介绍⑦：异构关系嵌入推荐：把影响用户选择的上下文也纳入模型 HERS: Modeling Influential Contexts with Heterogeneous Relatio

作者简介

胡亮，同济大学计算机科学与技术学院教授、博导，毕业于上海交通大学与悉尼科技大学，研究方向涵盖人工智能、推荐系统、机器学习与数据科学，入选上海海外高层次人才，获国家自然科学基金优秀青年科学基金项目（海外）支持。

一、研究背景

传统推荐系统通常只建模用户和物品之间是否发生交互，但现实中的选择过程并不只由这两个对象决定。用户会受到好友、社交圈和相似群体的影响，物品也会受到品类关联、兼容关系和共购结构的影响。如果忽略这些异构关系，模型就很难解释交互为何发生，也更难在稀疏与冷启动场景下维持性能。

二、论文信息

三、核心发现

图示：论文原文中的 HERS 异构关系与影响上下文示意（Figure 1）

四、研究内容解读

1. 这项研究要回答什么问题？

研究首先要回答的是：一条用户-物品交互记录的背后，到底有哪些其他用户和其他物品在发挥作用？论文将这一问题形式化为 User Influential Context（UIC）与 Item Influential Context（IIC），也就是用户侧和物品侧各自的重要影响邻域。

2. 研究团队发现了什么？

在此基础上，ICAU 不再只看单个邻居，而是把上下文中多个用户/物品及其关系一起聚合成 Influential Context Embedding（ICE）。这样一来，模型不仅能表达“谁与谁相关”，还能学习在不同上下文中，不同邻居对当前交互究竟有多大影响。

3. 他们是如何证明的？

进一步地，HERS 同时建模用户侧上下文、物品侧上下文以及目标用户和目标物品本身，使交互预测从简单的二元匹配扩展为异构关系驱动的上下文推断。这也让模型天然具备更强解释性：系统不仅能给出推荐结果，还能指出哪些朋友、哪些相关物品是促成该推荐的关键因素。

五、关键机制与功能验证

实验结果显示，HERS 在两个真实数据集上都优于多种基线模型，尤其在稀疏与冷启动场景下优势更明显。更重要的是，论文通过可视化影响上下文展示了推荐背后的驱动因素，说明异构关系的引入并非简单增加特征，而是确实提升了推荐系统对交互动机的表达能力。

六、总结与意义

这项工作的价值，在于把推荐系统从“用户-物品二元交互”推进到“异构关系上下文”层面。它不仅提升了性能，也提升了可解释性，为社交推荐、关联推荐、图推荐等后续研究提供了很重要的统一视角。

DOI：10.1609/aaai.v33i01.33013830