آليات التحليل العاملية الواعية للتفاعل في أنظمة التوصية

آلة التحليل العاملية (Factorization Machine - FM) هي نهج تعلم مشرف عليه يستخدم على نطاق واسع من خلال نمذجة فعالة للتفاعلات بين الخصائص. رغم النجاح الكبير في تطبيق آلة التحليل العاملية وأصنافها العديدة من تقنيات التعلم العميق، فإن معاملة كل تفاعل بين الخصائص بشكل متساوٍ قد يؤدي إلى تدهور الأداء. على سبيل المثال، يمكن أن يُدخل التفاعلات بين خاصية غير ذات فائدة الضوضاء؛ كما يمكن أن يختلف أهمية الخاصية عند تفاعلها مع خصائص مختلفة.في هذا البحث، نقترح نموذجًا جديدًا باسم \emph{آلة التحليل العاملية الواعية بالتفاعلات} (Interaction-aware Factorization Machine - IFM) من خلال إدخال آلية الوعي بالتفاعلات (Interaction-Aware Mechanism - IAM)، والتي تتكون من \emph{جانب الخاصية} و\emph{جانب المجال}. يتعلم جانب الخاصية أهمية تفاعل الخاصيات عبر شبكة انتباه (Attention Network)، بينما يتعلم جانب المجال تأثير تفاعل الخاصيات كتشابه معلمي بين متجه التفاعل الخاص بالخاصية والنموذج الأولي لتفاعل المجال المقابل. تُدخل آلة التحليل العاملية الواعية بالتفاعلات (IFM) المزيد من السيطرة المنظمة وتتعلم أهمية تفاعل الخاصيات بطريقة متدرجة، مما يتيح المزيد من المرونة في تعديل التفاعلات على مستويي الخاصيات والمجالات. بالإضافة إلى ذلك، نقدم هندسة معمارية أكثر عمومية ونقترح شبكة عصبية واعية بالتفاعلات (Interaction-aware Neural Network - INN) وDeepIFM لتقاطع التفاعلات من الرتب الأعلى. لتحسين الأداء والكفاءة لآلة التحليل العاملية الواعية بالتفاعلات (IFM) بشكل أكبر، تم تطوير نظام اختيار عينات لاختيار التفاعلات بناءً على أهمية جانب المجال. أظهرت نتائج التجارب باستخدام قاعدتين مشهورتين للبيانات أفضلية النماذج المقترحة على الأساليب الأكثر حداثة.