Un algoritmo de recomendación de redes neuronales basado en la atención a múltiples escalas y el aprendizaje por contraste | JoVE Visualize

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.