تعلم تمثيلات قواعد المعرفة غير المتجانسة للترشيح القابل للتفسير

تقديم تفسيرات مولدة من النماذج في أنظمة التوصية مهم لتجربة المستخدم. خوارزميات التوصية المعاصرة - خاصة تلك القائمة على التصفية التعاونية (CF) باستخدام نماذج سطحية أو عميقة - تعمل عادةً مع مصادر معلومات غير منظمة متعددة للتوصية، مثل المراجعات النصية، والصور البصرية، وأنواع مختلفة من التعليقات الضمنية أو الصريحة. رغم أن قواعد البيانات المنظمة كانت محل اعتبار في الأساليب القائمة على المحتوى، فقد تم إهمالها بشكل كبير مؤخرًا بسبب التركيز البحثي على أساليب CF. ومع ذلك، فإن المعرفة المنظمة تظهر مزايا فريدة في أنظمة التوصية الشخصية. عندما يتم الأخذ بعين الاعتبار المعرفة الصريحة عن المستخدمين والعناصر للتوصية، يمكن للنظام تقديم توصيات شديدة التخصيص بناءً على سلوك المستخدمين التاريخي، والمعرفة تكون مفيدة لتوفير تفسيرات مستنيرة حول العناصر الموصى بها. يكمن أحد أكبر التحديات في استخدام قواعد البيانات للمعرفة في كيفية دمج بيانات منظمة واسعة النطاق مع الاستفادة من التصفية التعاونية لتحقيق أداء دقيق للغاية. الإنجازات الحديثة في غمر قاعدة البيانات (KBE) تسليط الضوء على هذه المشكلة، مما يجعل من الممكن تعلم تمثيلات المستخدم والعناصر مع الحفاظ على هيكل علاقتهما بالمعرفة الخارجية لتوفير التفسير. في هذا العمل، نقترح تفسير غمر قاعدة البيانات للمعرفة للتوصيات القابلة للتفسير. تحديدًا، نقترح إطارًا لتعلم تمثيل قاعدة البيانات للمعرفة لغمس كيانات متنوعة للتوصية، وباستناد إلى قاعدة البيانات المغمورة، يتم اقتراح خوارزمية تقابُل مرنة لتوليد تفسيرات شخصية للعناصر الموصى بها. نتائج التجارب على مجموعات بيانات التجارة الإلكترونية الحقيقية أكدت الأداء الفائق والتفسيري لنهجنا بالمقارنة مع خطوط الأساس الأكثر حداثة.请注意，"e-commerce datasets" 翻译为 "مجموعات بيانات التجارة الإلكترونية"，"knowledge-base embedding (KBE)" 翻译为 "غمر قاعدة البيانات للمعرفة (KBE)"，以保持专业术语的一致性和准确性。