マルチスケールの注意と対照的な学習に基づくグラフニューラルネットワークの推奨アルゴリズム

科学分野:

• コンピュータ科学
• 人工知能
• 機械学習

背景:

• 推薦システムは,ユーザーとアイテムの相互作用データが稀で,表現学習と全体的なパフォーマンスを妨げています.
• 既存の方法は,高次元のユーザー・アイテム関係を効果的にモデル化したり,グラフ構造のバイアスを軽減したりすることがしばしば失敗します.

研究 の 目的:

• 稀少なデータがもたらす課題に対処するために設計された新しいグラフニューラルネットワークベースの推奨アルゴリズム (GR-MC) を提案する.
• 推奨の正確性と堅実性を高めるために,ユーザーと項目表現の質を向上させる.

主な方法:

• グラフ構造の拡張戦略を実装し,度差を減らすためにユーザ中心のエッジ・ドロップアウトを使用した.
• 高級関係の埋め込み伝播とモデリングの改善のための多次元注意力メカニズムを導入した.
• 組み込み対照的な学習は 自己監督のタスクとして 組み込みの識別能力とモデルの強さを強化します

主要な成果:

• GR-MCは複数の公開データセットで既存の方法と比較して優れたパフォーマンスを示しました.
• Recall@20で 24.69%の改善を達成しました
• モデルの有効性と堅実性を検証しました 特に相互作用データが限られている環境では

結論:

• 提案されたGR-MCアルゴリズムは,稀なユーザー・アイテム相互作用データの制限を効果的に克服します.
• マルチスケール・アテンションとコントラスティブ・ラーニングは 表現学習と推奨パフォーマンスを大幅に高めます
• GR-MCは,データ不足のシナリオで動作する推奨システムのための堅牢なソリューションを提供します.