Un marco unificado para la recomendación secuencial con atención diferencial amplificada con compuerta y modelado de...

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Sistemas de Recomendación

Sus antecedentes:

• Los modelos de autoatención en recomendación secuencial sufren de ruido de atención y luchan por diferenciar comportamientos de usuario como la repetición y la exploración.
• Los métodos existentes abordan estos problemas por separado, limitando su efectividad en la optimización conjunta.

Objetivo del estudio:

• Proponer un marco unificado, GDA-REIM, que aborde conjuntamente el ruido de atención y el modelado de intenciones en la recomendación secuencial.
• Mejorar la precisión y robustez de los mecanismos de autoatención en tareas de recomendación.

Principales métodos:

• Se introdujo la Atención Diferencial Amplificada con Compuerta (GDAA) con un pipeline de tres etapas para suprimir el ruido y reescalar las señales de atención.
• Se implementó la Puntuación de Intención Particionada (PIS) y la pérdida de Margen de Discriminación de Intención (IDM) para distinguir explícitamente las intenciones de repetición y exploración.
• Se desarrolló un marco unificado (GDA-REIM) que integra GDAA y PIS para la optimización conjunta.

Principales resultados:

• GDA-REIM demostró mejoras consistentes sobre bases sólidas en múltiples conjuntos de datos (ML-1M, Amazon-Video-Games, Twitch-100k).
• Se logró una mejora de aproximadamente el 10% en NDCG@10 en el conjunto de datos ML-1M.
• El enfoque de optimización conjunta demostró ser más efectivo que los métodos individuales de resolución de problemas.

Conclusiones:

• El marco propuesto GDA-REIM ofrece un avance significativo en la recomendación secuencial al manejar eficazmente el ruido de atención y la ambigüedad de la intención del usuario.
• La optimización conjunta de la eliminación de ruido y el modelado de intenciones es crucial para mejorar el rendimiento de la autoatención en sistemas de recomendación.
• El marco proporciona una solución robusta para escenarios de recomendación del mundo real con patrones de comportamiento de usuario complejos.