نحو التدريب المهم للتصنيف المُعد مسبقًا لتصفية التعاونية

يُستخدم التصفية التعاونية على نطاق واسع في أنظمة التوصية الحديثة. تظهر الأبحاث الحديثة أن الترميزات الذاتية المتغيرة (VAEs) تحقق أداءً يفوق ما هو موجود حالياً من خلال دمج تمثيلات مرنة من الشبكات العصبية العميقة في نماذج المتغيرات الكامنة، مما يخفف من قيود النماذج الخطية التقليدية للعوامل. يتم تدريب VAEs عادةً بتعظيم احتمالية (MLE) تفاعل المستخدمين مع العناصر الحقيقية. رغم بساطتها وفعاليتها غالباً، فإن طرق التدريب القائمة على MLE لا تعظم مباشرة مقاييس جودة التوصيات التي يهتم بها المرء عادةً، مثل تصنيف الدرجة N الأولى. في هذا البحث، نستكشف طرقًا جديدة لتدريب نماذج التصفية التعاونية بناءً على تعلم التعزيز الممثل بالممثل والناقد، بهدف تعظيم مقاييس الجودة غير القابلة للمشتق بشكل مباشر. تحديداً، نقوم بتدريب شبكة الناقد لتقييم مقاييس التصنيف، ثم نحدث شبكة الممثل (الممثلة هنا بـ VAE) لتعظيم هذه المقاييس المُتعلَّمة مباشرة. بخلاف طرق التعلم للتصنيف التقليدية التي تتطلب إعادة تشغيل الإجراء الأمثل للقوائم الجديدة، فإن طريقة الناقد لدينا تقوم بتقنين عملية التقييم باستخدام شبكة عصبية ويمكنها تقديم درجات تصنيف (تقريبية) مباشرة للقوائم الجديدة. عملياً، نوضح أن الطرق المقترحة تتفوق على العديد من الأساليب الرائدة الأخرى، بما في ذلك الأساليب الحديثة القائمة على التعلم العميق، في ثلاثة مجموعات بيانات حقيقية كبيرة الحجم. يمكن الوصول إلى الكود لإعادة إنتاج نتائج التجارب والرسوم البيانية على موقع Github: https://github.com/samlobel/RaCT_CF