Un modelo de red neuronal de gráfico hiperbólico con aprendizaje contrastante para la recomendación de revisión de...

Área de la Ciencia:

• Sistemas de recomendación
• Redes neuronales de gráficos
• Aprendizaje automático

Sus antecedentes:

• La escasez de datos es un gran desafío en los sistemas de recomendación, lo que limita la precisión.
• Las redes neuronales de gráficos convencionales (GNNs) luchan con estructuras de datos no euclidianas, lo que dificulta el rendimiento.
• Los métodos existentes a menudo no logran capturar patrones de interacción heterogéneos de manera efectiva.

Objetivo del estudio:

• Proponer un modelo de red neuronal de gráfico hiperbólico para la recomendación de revisión de calificación.
• Mejorar la precisión de las recomendaciones mediante la integración de información multimodal, específicamente las revisiones y las interacciones entre el usuario y el artículo.
• Abordar las limitaciones de las incorporaciones euclidianas en el modelado de datos complejos del mundo real.

Principales métodos:

• Implementó una construcción de gráficos duales: un gráfico consciente de la revisión y un gráfico de interacción entre el usuario y el elemento.
• Utilizó una arquitectura de red neuronal de gráficos hiperbólicos para el aprendizaje conjunto de características de alto orden.
• Aprendizaje contrastante incorporado en el espacio hiperbólico para aprovechar los datos semánticos e interactivos.

Principales resultados:

• El modelo propuesto mejora significativamente la precisión de las recomendaciones en conjuntos de datos del mundo real.
• Ha demostrado un rendimiento superior en comparación con los métodos convencionales en el manejo de la escasez de datos.
• Evitó efectivamente incrustar problemas de distorsión comunes en el aprendizaje de características de alto orden.

Conclusiones:

• La red neuronal de gráficos hiperbólicos con aprendizaje contrastante ofrece un enfoque poderoso para la recomendación de revisión de calificaciones.
• La integración de la semántica de revisión y las interacciones entre el usuario y el elemento en el espacio hiperbólico mejora la capacidad de representación.
• El modelo proporciona una solución robusta para mejorar el rendimiento y la precisión del sistema de recomendación.