توحيد تعلم الرسم البياني للمعرفة والتوصية: نحو فهم أفضل لпочтيات المستخدمين

دمج الرسم البياني للمعرفة (KG) في نظام التوصية يعد واعداً في تحسين دقة التوصية وقابلية الشرح. ومع ذلك، فإن معظم الطرق الحالية تعتمد بشكل كبير على افتراض أن الرسم البياني للمعرفة مكتمل، وتقوم بنقل "المعرفة" الموجودة في الرسم البياني للمعرفة على مستوى سطحي من البيانات الأولية للعناصر أو المتجهات المضمنة. قد يؤدي هذا إلى أداء غير مثالي، حيث يصعب أن يكون الرسم البياني للمعرفة العملي مكتملاً، وهو ما يعني أن وجود حقائق أو علاقات أو عناصر ناقصة في الرسم البياني للمعرفة هو أمر شائع. لذلك، نعتقد أنه من الضروري مراعاة طبيعة عدم الاكتمال في الرسم البياني للمعرفة عند دمجه في نظام التوصية.في هذه الورقة البحثية، نتعلم بشكل مشترك نموذج التوصية وإكمال الرسم البياني للمعرفة. بخلاف الطرق السابقة التي تعتمد على الرسم البياني للمعرفة، نقوم بنقل المعلومات المتعلقة بالعلاقات في الرسم البياني للمعرفة لفهم الأسباب التي تجعل المستخدم يفضل عنصراً معيناً. كمثال، إذا كان المستخدم قد شاهد عدة أفلام إخراجها (علاقة) نفس الشخص (عنصر)، يمكننا استنتاج أن علاقة الإخراج تلعب دوراً حاسماً عند اتخاذ القرار من قبل المستخدم، مما يساعد في فهم تفضيلات المستخدم بتفصيل أكبر.تقنياً، نقدم نموذجاً جديداً للتوصية يستند إلى الترجمة ويأخذ بعين الاعتبار مختلف التفضيلات عند ترجمة مستخدم إلى عنصر، ثم نقوم بتدريبه بشكل مشترك مع نموذج إكمال الرسم البياني للمعرفة من خلال الجمع بين عدة مخططات للنقل. أظهرت التجارب الواسعة على قاعدتين بيانات معياريتين أن طريقتنا تتفوق على أفضل الطرق الحالية التي تعتمد على الرسم البياني للمعرفة في مجال التوصية. كما أكدت التحليلات الإضافية الأثر الإيجابي للتدريب المشترك على كلتا المهمتين: التوصية وإكمال الرسم البياني للمعرفة، وكذلك الميزة التي يتمتع بها نموذجنا في فهم تفضيلات المستخدم. لقد قمنا بنشر مشروعنا على https://github.com/TaoMiner/joint-kg-recommender.