Aprendizaje contrastivo de grafos aumentado por difusión para recomendaciones conscientes del conocimiento

Área de la Ciencia:

• Inteligencia Artificial
• Ciencia de Datos
• Sistemas de Recomendación

Sus antecedentes:

• El aprendizaje contrastivo de grafos (CL) de grafos de conocimiento (KG) es vital para los sistemas de recomendación.
• Los métodos existentes sufren de sesgo de muestreo y problemas de interpretabilidad debido al enmascaramiento aleatorio.
• El desequilibrio de información entre los KG y los grafos de interacción usuario-ítem (UIG) dificulta el rendimiento del modelo.

Objetivo del estudio:

• Proponer un modelo novedoso, DAGCL de aprendizaje contrastivo de grafos aumentado por difusión, para abordar las limitaciones de los métodos actuales de KG-CL.
• Mejorar la mejora de datos en CL utilizando un mecanismo de difusión de grafos.
• Mitigar el desequilibrio de información y mejorar el impacto de UIG en la precisión predictiva.

Principales métodos:

• DAGCL emplea un mecanismo de difusión de grafos para la mejora de datos, asegurando que los grafos generados se parezcan al UIG original.
• Se implementan CL intra-grafo e inter-grafo (GCL) para equilibrar la información de KG y UIG.
• Se integra un grafo de difusión estructural con un grafo de difusión de información para una representación de difusión integral.

Principales resultados:

• El modelo propuesto DAGCL supera significativamente a los modelos de vanguardia en tres conjuntos de datos del mundo real.
• El mecanismo de difusión de grafos evita eficazmente el sesgo de muestreo y preserva las características de UIG.
• Las estrategias combinadas de CL mitigan con éxito el desequilibrio de información, mejorando la precisión predictiva.

Conclusiones:

• DAGCL ofrece un enfoque robusto y eficaz para KG-CL en sistemas de recomendación.
• La estrategia aumentada por difusión mejora el rendimiento del modelo al preservar los patrones de interacción esenciales y las características estructurales.
• DAGCL proporciona un avance significativo para superar el ruido de muestreo y la dilución semántica en los modelos de recomendación.