- ResBeMF: Улучшение прогнозируемого охвата совместной фильтрации на основе классификации(arXiv)
Автор:Анхель Гонсалес-Прието, Авраам Гутьеррес, Фернандо Ортега, Рауль Лара-Кабрера
Аннотация. Показатели надежности, связанные с прогнозами моделей машинного обучения, имеют решающее значение для укрепления доверия пользователей к искусственному интеллекту. Поэтому большей популярностью пользуются те модели, которые способны обеспечить не только прогнозы, но и достоверность. В области рекомендательных систем надежность имеет решающее значение, поскольку пользователи, как правило, предпочитают те рекомендации, которые наверняка их заинтересуют, то есть высокие прогнозы с высокой надежностью. В этой статье мы представляем ResBeMF, новую рекомендательную систему, основанную на совместной фильтрации, которая обеспечивает надежность, связанную с ее прогнозами. Экспериментальные результаты показывают, что ResBeMF предлагает более широкие возможности настройки, чем другие модели, позволяя регулировать баланс между качеством прогнозирования и надежностью прогнозирования.
2.MEGCF: совместная фильтрация мультимодального графа сущностей для персонализированных рекомендаций(arXiv)
Автор: Кан Лю, Фэн Сюэ, Дань Го, Ле Ву, Шуцзе Ли, Ричанг Хун.
Аннотация . На большинстве платформ электронной коммерции то, вызывают ли отображаемые элементы интерес пользователя, во многом зависит от их наиболее привлекательного мультимодального контента. Следовательно, все больше усилий сосредоточено на моделировании мультимодальных пользовательских предпочтений, и актуальной парадигмой является включение полных многомодальных глубоких функций элементов в модуль рекомендаций. Однако существующие исследования игнорируют проблему несоответствия между мультимодальным извлечением признаков (MFE) и моделированием интересов пользователя (UIM). То есть MFE и UIM имеют разные акценты. В частности, MFE мигрирует и адаптируется к восходящим задачам, таким как классификация изображений. Кроме того, это в основном контент-ориентированный и неперсонализированный процесс, в то время как UIM, с его большим вниманием к пониманию взаимодействия с пользователем, по сути является ориентированным на пользователя и персонализированным процессом. Таким образом, прямое включение MFE в UIM для задач, ориентированных исключительно на пользователя, имеет тенденцию вводить большое количество независимого от предпочтений мультимодального шума и загрязнять представления внедрения в UIM. Эта статья направлена на решение проблемы несоответствия между MFE и UIM, чтобы создать высококачественные представления встраивания и лучше моделировать мультимодальные пользовательские предпочтения. С этой целью мы разрабатываем новую модель MEGCF. UIM предлагаемой модели фиксирует семантическую корреляцию между взаимодействиями и функциями, полученными из MFE, тем самым обеспечивая лучшее соответствие между MFE и UIM. Точнее, из мультимодальных данных сначала извлекаются семантически богатые объекты, поскольку они более релевантны предпочтениям пользователя, чем другая мультимодальная информация. Эти объекты затем интегрируются в граф взаимодействия пользователя с элементом. После этого строится модуль симметричной линейной сети свертки графов (GCN) для распространения сообщений по графу, чтобы захватить как семантическую корреляцию высокого порядка, так и сигналы совместной фильтрации.
3.Совместная многогранная свертка графов с учетом популярности, совместная фильтрация рекомендаций(arXiv)
Автор:Кан Лю, Фэн Сюэ, Сяннань Хэ, Дань Го, Ричанг Хун
Аннотация:Сети свертки графов (GCN) с их эффективной способностью фиксировать связность высокого порядка в графах широко применяются в рекомендательных системах. Объединение нескольких соседей в стек является основной операцией в GCN. Он неявно фиксирует характеристики популярности, поскольку количество соседних узлов отражает популярность узла. Однако существующие методы на основе GCN игнорируют универсальную проблему: чувствительность пользователей к популярности элементов дифференцирована, но соседние агрегации в GCN фактически исправляют эту чувствительность с помощью нормализации графа Лапласа, что приводит к неоптимальной персонализации. В этой работе мы предлагаем моделировать многоуровневые функции популярности и совместно изучать их вместе с связностью высокого порядка, чтобы соответствовать дифференциации пользовательских предпочтений, проявляемых в функциях популярности. В частности, мы разрабатываем совместную многоуровневую модель совместной фильтрации графов с учетом популярности, сокращенно JMP-GCF, которая использует генерацию внедрения с учетом популярности для построения многогранных функций популярности и использует идею совместного обучения для захвата сигналы внутри и между различными уровнями детализации функций популярности, которые имеют отношение к моделированию пользовательских предпочтений. Кроме того, мы предлагаем многоэтапную стратегию обучения с накоплением для ускорения сходимости моделей. Мы проводим обширные эксперименты с тремя общедоступными наборами данных, чтобы продемонстрировать самые современные характеристики JMP-GCF.
