چارچوبی برای سیستم‌های توصیه‌گر: بهره‌گیری از یال‌های مجازی و شبکه‌های عصبی گرافی در فیلترسازی پیشرفته مبتنی بر همکاری

Abstract

در سیستم‌های توصیه‌گر، روش‌های سنتی و پیشرفته به بازنمایی کاربران و آیتم‌ها بر اساس ویژگی‌های ثابت می‌پردازند؛ در حالیکه سیگنال‌های تعاملی پنهان را نادیده می‌گیرند و منجر به کاهش دقت مدل می‌شوند. بنابراین، پژوهش‌ها به سمت استفاده از تعاملات پیچیده برای یادگیری تعبیه‌ها حرکت کردند؛ اما این روش‌ها نیز با پیچیدگی زمانی و بیش‌برازش مواجه شدند. در این مقاله، چارچوب AdvNGCFبا هدف بهبود دقت توصیه‌ها با تمرکز بر استفاده از شبکه‌های عصبی گرافی (GNN) متفاوت و یال‌های مجازی پیشنهاد می‌شود. چارچوب پیشنهادی شامل سه بخش است: پیش‌پردازش گراف تعاملات کاربر و آیتم با استفاده از اضافه کردن یال‌های مجازی، محاسبات دو برجی برای یادگیری تعبیه‌ها با استفاده از GNN و محاسبه تعامل میان کاربر و آیتم. آزمایش‌ها روی مجموعه داده واقعی، نشان می‌دهد روش‌های پیشنهادی مبتنی بر چارچوب پیشنهادی، بهبود قابل توجهی در دقت توصیه‌ها دارند که اهمیت استفاده از ارتباطات غیر مستقیم را تایید می‌کند.