Une machine de convolution graphique pour les systèmes de recommandation contextuels

Machine de convolution de graphes pour système de recommandation sensible au contexte

Les données utilisées pour construire un CARS. Les données de mélange du tenseur d’interaction et des matrices de caractéristiques utilisateur/élément/contexte sont converties en un graphe bipartite utilisateur-élément attribué sans perte de fidélité. Crédit : Higher Education Press Limited Company

La dernière avancée en matière de technologie de recommandation montre que de meilleures représentations de l’utilisateur et de l’élément peuvent être apprises en effectuant des convolutions de graphique sur le graphique d’interaction utilisateur-élément. Cependant, une telle découverte est principalement limitée au scénario de filtrage collaboratif (CF), où les contextes d’interaction ne sont pas disponibles.

Pour étendre les avantages des convolutions de graphes aux systèmes de recommandation sensibles au contexte (CARS), qui représentent un type générique de modèles capables de gérer diverses informations secondaires, une équipe de recherche dirigée par Xiangnan HE a publié sa nouvelle recherche le 22 janvier 2022 dans Frontières de l’informatique.

L’équipe a développé un nouveau modèle, GCM, qui capture les interactions entre plusieurs comportements d’utilisateurs via des réseaux de neurones graphiques, puis modélise les interactions entre les caractéristiques du comportement individuel via une machine de factorisation. Pour démontrer l’efficacité de GCM, ils le testent sur trois ensembles de données publics. Des expériences approfondies sont également menées pour vérifier la rationalité du graphe attribué et offrir un aperçu de la façon dont les représentations bénéficient d’un tel apprentissage de graphe.

L’organisation des comportements des utilisateurs avec des informations contextuelles dans des graphiques est une direction prometteuse pour construire un outil de recommandation sensible au contexte efficace. Il aide à créer des représentations solides pour les utilisateurs et les éléments. GCM unifie simplement toutes les caractéristiques de contexte en tant que bord, négligeant les caractéristiques dynamiques de certains contextes (par exemple, le temps) et capturant à peine la préférence dynamique des utilisateurs. Des travaux futurs pourraient être réalisés sur la construction de graphes dynamiques basés sur des informations contextuelles au lieu d’un graphe statique, ou sur la conception d’un réseau neuronal de graphe dynamique.

Machine de convolution de graphes pour système de recommandation sensible au contexte

Le modèle de machine à convolution de graphe. Crédit : Higher Education Press Limited Company


Un modèle hiérarchique basé sur RNN pour prédire les graphiques de scène pour les images


Plus d’information:
Jiancan Wu et al, Machine de convolution graphique pour système de recommandation sensible au contexte, Frontières de l’informatique (2022). DOI : 10.1007/s11704-021-0261-8

Fourni par la presse de l’enseignement supérieur

Citation: A graph convolution machine for context-aware recommender systems (2022, 22 avril) récupéré le 22 avril 2022 sur https://techxplore.com/news/2022-04-graph-convolution-machine-context-aware.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.