Un algoritmo de recomendación de redes neuronales basado en la atención a múltiples escalas y el aprendizaje por...

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• Los sistemas de recomendación luchan con escasos datos de interacción entre el usuario y el elemento, lo que dificulta el aprendizaje de la representación y el rendimiento general.
• Los métodos existentes a menudo no logran modelar de manera efectiva las relaciones usuario-elemento de orden superior o mitigar los sesgos en las estructuras de gráficos.

Objetivo del estudio:

• Proponer un nuevo algoritmo de recomendación basado en redes neuronales de gráficos (GR-MC) diseñado para abordar los desafíos planteados por la escasez de datos.
• Mejorar la calidad de las representaciones de usuarios y artículos para mejorar la precisión y robustez de las recomendaciones.

Principales métodos:

• Implementó una estrategia de aumento de la estructura de gráficos utilizando el abandono de bordes centrado en el usuario para reducir el sesgo de grado.
• Se introdujo un mecanismo de atención a escala múltiple para mejorar la propagación de incrustaciones y el modelado de relaciones de orden superior.
• Aprendizaje contrastante incorporado como una tarea auto-supervisada para mejorar la capacidad discriminativa de incorporación y la robustez del modelo.

Principales resultados:

• GR-MC demostró un rendimiento superior en comparación con los métodos existentes en múltiples conjuntos de datos públicos.
• Logró una mejora significativa del 24,69% en Recall@20 en el conjunto de datos de libros de Amazon.
• Validación de la eficacia y la robustez del modelo, especialmente en entornos con datos de interacción limitados.

Conclusiones:

• El algoritmo GR-MC propuesto supera efectivamente las limitaciones de los escasos datos de interacción usuario-artículo.
• La atención a múltiples escalas y el aprendizaje contrastante mejoran significativamente el rendimiento del aprendizaje de representación y recomendación.
• GR-MC ofrece una solución sólida para los sistemas de recomendación que operan en escenarios con escasez de datos.