HyperAIHyperAI
منذ 17 أيام

NISER: تمثيلات العناصر والجلسة المُعدّلة للتعامل مع التحيز نحو الشعبية

Priyanka Gupta, Diksha Garg, Pankaj Malhotra, Lovekesh Vig, Gautam Shroff
NISER: تمثيلات العناصر والجلسة المُعدّلة للتعامل مع التحيز نحو الشعبية
الملخص

يهدف نماذج التوصية القائمة على الجلسات (SR) إلى استغلال المعلومات المستمدة من الإجراءات السابقة (مثل النقرات على عناصر/منتجات) خلال جلسة معينة لتوصية عناصر من المحتمل أن ينقر عليها المستخدم لاحقًا. في الآونة الأخيرة، أُظهر أن تسلسل التفاعلات مع العناصر داخل جلسة يمكن نمذجته كبيانات ذات هيكل رسم بياني، مما يُمكّن من معالجة انتقالات العناصر المعقدة بشكل أفضل. يمكن لشبكات العصب الرسومية (GNNs) تعلُّم تمثيلات مفيدة لهذه الرسوم البيانية للجلسات، وقد أُثبت أنها تفوق النماذج التسلسلية مثل الشبكات العصبية التكرارية [14]. ومع ذلك، لاحظنا أن نماذج التوصية القائمة على GNNs تعاني من انحياز نحو العناصر الشهيرة: حيث تميل هذه النماذج إلى التوصية بالعناصر الشهيرة، وتفشل في التوصية بالعناصر ذات الطلب الطويل (أي العناصر الأقل شهرة أو الأقل تكرارًا). وبالتالي، تؤدي هذه النماذج إلى أداء ضعيف في حالة العناصر الجديدة الأقل شعبية التي تُضاف يوميًا في البيئة العملية عبر الإنترنت. نُظهر أن هذه المشكلة مرتبطة جزئيًا بحجم أو معيار التمثيلات المُتعلّمة للعناصر والرسوم البيانية للجلسات (متجهات التضمين). نقترح إجراء تدريب يُخفف من هذه المشكلة من خلال استخدام تمثيلات مُعيّنة (مُوحّدة). وتُظهر النماذج التي تستخدم تمثيلات مُعيّنة للعناصر والرسوم البيانية للجلسات أداءً مُتفوّقًا بشكل ملحوظ: أولًا، في حالة العناصر ذات الطلب الطويل الأقل شعبية في البيئة المُعَمَّلة خارج السياق (offline)، وثانيًا، في حالة العناصر الجديدة الأقل شعبية التي تُقدَّم عبر الإنترنت. علاوة على ذلك، يُحسّن نهجنا بشكل كبير الأداء مقارنةً بأفضل النماذج الحالية على ثلاث مجموعات بيانات معيارية.

NISER: تمثيلات العناصر والجلسة المُعدّلة للتعامل مع التحيز نحو الشعبية | أحدث الأوراق البحثية | HyperAI