توصيفگر ها :
سيستم توصيه گر , شبكه عصبي گرافي , يادگيري عميق , يادگيري ماشين
چكيده فارسي :
در سا‌ل‌هاي اخير شاهد توسعه‌ي وسيع موضوع سيستم‌هاي توصيه‌گر مبتني بر يادگيري گراف براي مدل‌سازي اولويت‌ها و مقاصد كاربران هستيم. متفاوت از ساير رويكردهاي سيستم‌هاي توصيه‌گر، از جمله پالايش مبتني بر محتوا و پالايش مشاركتي، اين سيستم‌ها بر روي گراف‌هايي ساخته شده است كه در آن اشياء مهم مانند كاربران، كالاها و ويژگي‌ها به طور صريح يا ضمني به هم متصل هستند. توسعه‌ي سريع تكنيك‌هاي يادگيري گراف، اكتشافات و بهره‌برداري از روابط همگن يا ناهمگن در گراف‌ها، ساختن سيستم‌هاي توصيه‌گر ميسر ساخته است.
اگرچه روش‌هاي موجود براي پيش‌بيني مبتني بر بخش از رويكردهاي يادگيري بازنمايي مبتني بر بخش براي كدگذاري ارتباطات متوالي اقلام در يك فضاي كم بعد استفاده مي‌كنند، اما از محدوديت‌هاي متعددي رنج مي‌برند. مورد اول اين‌كه تمركز آن‌ها در استفاده از يك نوع رفتار كاربر براي پيش‌بيني است و پتانسيل گرفتن داده‌هاي رفتاري ديگر به عنوان اطلاعات كمكي را ناديده مي‌گيرند. اين مورد زماني بسيار مهم است كه رفتار هدف، كم‌رنگ اما مهم است؛ به عنوان مثال، خريد و يا به اشتراك‌گذاري يك كالا. مورد دوم اين‌كه روابط مورد به مورد به صورت جداگانه و محلي در يك توالي رفتاري مدل‌سازي مي‌شوند و فاقد يك راه اصولي براي كدگذاري كلي مؤثرتر براي اين روابط هستند.
در اين پايان‌نامه، به پيش‌بيني رفتار هدف مبتني بر بخش با توجه به انواع رفتار خاص (مانند كليك كردن) مي‌پردازيم. هدف از اين مطالعه بهبود عملكرد سيستم هاي توصيه گر با بهره گيري از قابليت هاي شبكه عصبي گرافي و پيشنهاد توصيه هاي مناسب كاربر است كه با احتمال بيشتر مورد پسند قرار مي گيرند.
براي غلبه بر اين محدوديت‌ها، از يك گراف چند رابطه‌اي براساس تمام دنباله‌هاي رفتاري از تمام بخش‌ها، شامل هدف و انواع رفتار كمكي استفاده مي‌شود. در اين گراف، رأس ها تمام كالاهاي موجود هستند و همچنين يال ها روابط موجود بين كالاها با توجه به رفتار كاربران هستند. براساس اين گراف، مدل موجود با استفاده از شبكه عصبي گرافي روابط كلي مورد به مورد را ياد مي‌گيرد و ترجيحات كاربر را به ترتيب با توجه به دنباله‌هاي هدف و رفتار كمكي بدست مي‌آورد. سپس با توجه به ترجيحات كاربر، امتياز هر كالا را تخمين مي زند و پس از مرتب سازي امتيازات، كار توصيه را انجام مي دهد.
مدل ارايه شده در اين پايان نامه، از يك ساز و كار راه‌اندازي براي تركيب بازنمايي‌هاي كاربر براي پيش‌بيني مورد بعدي با توجه به رفتار هدف استفاده مي‌كند كه با تغيير تابع مورد استفاده در اين ساز و كار مدل بهبود يافت. علاوه بر اين، استفاده از اين تابع موجب شد كه از شبكه عصبي گرافي با عمق كمتر استفاده كنيم و در نتيجه زمان اجراي الگوريتم كاهش يابد.
چكيده انگليسي :
In recent years, we have noticed a significant development in graph-based recommender systems for modelling user preferences and objectives. Unlike other recommender system approaches, such as content-based and collaborative filtering, these systems are built upon graphs where important entities like users, items, and features are explicitly or implicitly connected. The rapid development of graph learning techniques, exploration, and exploitation of homogeneous or heterogeneous relationships in graphs has facilitated the creation of recommender systems.
While existing methods for session-based target behavior prediction leverage sequence-based representation learning to encode sequential interactions in a low-dimensional space, they suffer from multiple limitations. The first issue is that their focus is on using one type of user behavior for prediction, and they disregard the potential value of incorporating other behavioral data as auxiliary information. This limitation is crucial when the target behavior is subtle but essential, such as making a purchase or sharing an item. To encode more effective general relationships, individual and localized modelling of Item-Item relationships in a behavioral sequence lacks a principled way.
This study focuses on session-based target behavior prediction on specific behaviors (such as clicks).The aim of this study is to improve the performance of recommender systems by using the capabilities of the graph neural network and to offer suitable recommendations to the user, which are more likely to be liked.
To overcome these limitations, a multi-relational graph is employed based on all behavioral sequences from all sections, including targets and various assisting behaviors. In this graph, the vertices and the edges are respectively all the available goods and relationships between them according to the behavior of the users. Based on this graph, the existing model learns general item-item relationships by using the graph neural network and obtains the user's preferences according to the target sequences and auxiliary behavior respectively. Then, according to the user's preferences, it estimates the score of each item and after sorting the scores, makes the recommendation.
Finally, the model uses a gating mechanism to merge user representations to predict the next item based on the target behavior, when changing the performance of the model improved. In addition, using
This function made us use the neural network with less depth, and as a result, the execution time of the algorithm was reduced.
