شبكات الجراف العصبية المعرفية مع تسوية التسميات للأنظمة التوصية

الرسوم البيانية للمعرفة تلتقط المعلومات المنظمة والعلاقات بين مجموعة من الكيانات أو العناصر. وبذلك، تعد الرسوم البيانية للمعرفة مصدرًا جذابًا للمعلومات يمكن أن يساعد في تحسين أنظمة التوصية. ومع ذلك، تعتمد النهج الحالية في هذا المجال على هندسة الميزات اليدوية ولا تسمح بالتدريب من البداية إلى النهاية (end-to-end). هنا نقترح شبكات عصبية بيانية واعية بالمعرفة مع تنظيم سلاسة التسميات (KGNN-LS) لتقديم توصيات أفضل. بمفهومي، يقوم نهجنا بحساب تمثيلات عناصر محددة للمستخدم عن طريق تطبيق دالة قابلة للتدريب أولاً تحدد العلاقات الهامة في الرسم البياني للمعرفة بالنسبة لمستخدم معين. بهذه الطريقة، نحول الرسم البياني للمعرفة إلى رسم بياني موزون خاص بالمستخدم، ثم نطبق شبكة عصبية بيانية لحساب تمثيلات العناصر الشخصية. لتوفير افتراض استقرائي أفضل، نعتمد على فرضية سلاسة التسميات، والتي تقترح أن العناصر المجاورة في الرسم البياني للمعرفة من المرجح أن تكون لها تصنيفات/درجات صلة مستخدم مشابهة. توفر سلاسة التسميات تنظيمًا على أوزان الحواف ونثبت أنها مكافئة لمخطط انتشار التسميات على الرسم البياني. كما طورنا تنفيذًا فعالًا يظهر قابلية توسع قوية فيما يتعلق بحجم الرسم البياني للمعرفة. أظهرت التجارب على أربع مجموعات بيانات أن طريقتنا تتفوق على أسس الحالة الفنية المتقدمة (state-of-the-art). كما حقق KGNN-LS أداءً قويًا في السيناريوهات الباردة حيث تكون تفاعلات المستخدم-العنصر نادرة.