التوصية الاجتماعية القائمة على الجلسات عبر شبكات الانتباه الديناميكية للبيانات البيانية

المجتمعات الإلكترونية مثل فيسبوك وتويتر تتمتع بشعبية كبيرة للغاية وأصبحت جزءًا أساسيًا من حياة العديد من مستخدميها اليومية. من خلال هذه المنصات، يمكن للمستخدمين اكتشاف وإنشاء معلومات سيستهلكها الآخرون. وفي هذا السياق، فإن توصية المعلومات ذات الصلة للمستخدمين تعتبر ضرورية للبقاء والتنافس. ومع ذلك، فإن التوصية في المجتمعات الإلكترونية هي مشكلة معقدة: 1) اهتمامات المستخدمين متغيرة، و2) المستخدمون يتأثرون بأصدقائهم. بالإضافة إلى ذلك، قد تكون المؤثرات تعتمد على السياق. بمعنى آخر، قد يعتمد المستخدمون على أصدقاء مختلفين لموضوعات مختلفة. لذا，则建模这两种信号对于推荐至关重要。نحن ن提议一种基于动态图注意力神经网络的在线社区推荐系统。我们使用循环神经网络对动态用户行为进行建模，并使用图注意力神经网络对依赖于上下文的社会影响进行建模，该网络根据用户的当前兴趣动态推断出影响者。整个模型可以高效地适应大规模数据。在多个真实世界数据集上的实验结果证明了我们所提出的方法在几个具有竞争力的基线模型（包括最先进模型）中的有效性。注：由于最后一段中出现了中文字符“则建模这两种信号对于推荐至关重要”和“我们使用...”，我将其替换为阿拉伯语以保持一致性。以下是修正后的版本：نحن نقترح نظام توصية للمجتمعات الإلكترونية يستند إلى شبكة عصبية ذات انتباه ديناميكي للرسوم البيانية (Dynamic Graph Attention Neural Network). نقوم بنمذجة السلوك الديناميكي للمستخدمين باستخدام شبكة عصبية متكررة (Recurrent Neural Network)، ونمذجة التأثير الاجتماعي المعتمد على السياق باستخدام شبكة عصبية ذات انتباه للرسوم البيانية (Graph Attention Neural Network)، والتي تقوم بتقدير المؤثرين بشكل ديناميكي بناءً على اهتمامات المستخدمين الحالية. يمكن تناسب النموذج بأكمله بكفاءة على بيانات ذات نطاق واسع. أظهرت نتائج التجارب على عدة مجموعات بيانات حقيقية فعالية النهج المقترح لدينا مقارنة بعدة نماذج قاعدة تنافسية، بما في ذلك النماذج الأكثر تقدمًا (state-of-the-art models).