إيكار: طريقة قابلة للتفسير للترشيح المعرفي

تتناول هذه الورقة البحثية أنظمة التوصية باستخدام الرسومات المعرفية، والتي يمكنها التعامل بفعالية مع مشاكل ندرة البيانات وبداية البرود (Cold Start). في السنوات الأخيرة، تم تطوير مجموعة متنوعة من الأساليب لمعالجة هذه المشكلة، والتي تحاول عمومًا تعلم تمثيلات فعالة للمستخدمين والعناصر ثم مطابقة العناصر مع المستخدمين بناءً على هذه التمثيلات. رغم إظهار هذه الأساليب فعالية كبيرة، إلا أنها تعاني من نقص في تقديم التفسيرات الجيدة، وهي أمر حاسم لأنظمة التوصية. في هذا البحث، نتبع مسارًا مختلفًا ونقترح إنشاء توصيات من خلال العثور على مسارات ذات معنى من المستخدمين إلى العناصر. بشكل خاص، نصيغ المشكلة كعملية قرار متسلسلة، حيث يتم تعريف المستخدم المستهدف كحالة أولية، والحواف في الرسومات كأفعال. نشكل المكافآت وفقًا للأساليب الحالية الأكثر تقدمًا ثم ندرب دالة سياسة باستخدام أساليب التدرج في السياسة (Policy Gradient Methods). أظهرت النتائج التجريبية على ثلاثة مجموعات بيانات حقيقية أن الطريقة المقترحة ليس فقط توفر توصيات فعالة ولكنها أيضًا تقدم تفسيرات جيدة.