Paper 103 ｜HOP-Rec：隱性推薦系統中的高階鄰近性矩陣分解

這篇 2018 年發表的論文，將「圖與網絡（Graph & Network）」的概念帶入了推薦系統的矩陣分解中，展現了如何挖掘使用者行為背後隱藏的間接關聯。

• 參考資料
• 一、論文核心：看見間接的連結
• 二、應用啟發：發掘隱性關聯

參考資料

• 論文名稱：HOP-Rec: High-Order Proximity for Implicit Recommendation
• 出處：ACM 2018
• 領域：推薦系統、Graph

一、論文核心：看見間接的連結

在電子商務中，絕大多數的行為都是「隱性回饋（Implicit Feedback）」，比如瀏覽、停留，而不是直接給星評分。傳統的矩陣分解模型往往只考慮 User-Item 之間的「直接（一階）」互動。

HOP-Rec (High-Order Proximity Recommendation) 的亮點在於： 它在 User-Item 的二分圖上執行了隨機漫步（Random Walk），藉此捕捉到高階鄰近性（High-Order Proximity）。 簡單來說：如果 A 買了商品 X 與 Y，B 買了 Y 與 Z。雖然 A 沒有直接買過 Z，但透過圖形網絡的相連，系統能發現 A 與 Z 之間具備潛在的高階連結。這大幅緩解了資料稀疏性（Sparsity）的問題。

二、應用啟發：發掘隱性關聯

這個思維在企業的內部營運中也非常受用。 在 B2B 銷售或供應鏈數據中，客戶與產品之間的互動矩陣通常極度稀疏。如果我們能將 HOP-Rec 中「圖形隨機漫步捕捉高階關聯」的概念，應用到企業的 CRM 或採購行為分析中，我們的分析系統就能更敏銳地發現：「買了機台 M 的客戶，雖然從未買過耗材 N，但依據高階網絡推導，他極可能是潛在買家。」

這為數據挖掘與主動式業務推薦，提供了強而有力的演算法理論支撐。

免責聲明： 本文為論文閱讀與技術研究筆記。詳細的模型架構與訓練方式請參閱論文原文。