مُقدِّر كثافة المانيفولد الفعّال لجميع أنظمة التوصية

تنتمي العديد من مناهج التعلم غير المراقب لتمثيل المفاهيم إلى فئة نماذج تعلم التشابه. وعلى الرغم من وجود طرق محددة حسب الوسائط المختلفة لكل نوع من البيانات، فإن الخاصية الأساسية لمعظم هذه الطرق هي أن تمثيلات المدخلات المشابهة تكون قريبة من بعضها تحت دالة تشابه معينة. نقترح إطار عمل يُسمى EMDE (مُقدّر كثافة المانيفولد الفعّال)، والذي يستخدم تمثيلات متجهة عشوائية وتتمتع بخاصية التشابه المحلي، لتمثيل مكثّف لتكاثفات الاحتمالات السلسة على المانيفولديات الريمانية. يتميز تمثيلنا التقريبي بخصائص مرغوبة مثل الحجم الثابت والتركيبية الجمعية البسيطة، مما يجعله مناسبًا بشكل خاص للتعامل مع الشبكات العصبية—سواء كمدخلات أو مخرجات—وذلك لإنتاج مقدّرات شرطية فعّالة. نعمّق ونعيد صياغة مشكلة التوصيات متعددة الوسائط على أنها مسألة تقدير كثافة مشروطة وموزونة على المانيفولديات. ويتيح لنا هذا النهج دمجًا سهلًا لأي عدد من أنواع التفاعلات، ووسائط البيانات، بالإضافة إلى قوة التفاعلات في أي سياق للتوصية. وعند تطبيق EMDE على سياقي التوصية بناءً على الـ top-k والـ session-based، نحقق نتائج جديدة من أفضل النتائج المُحققة على عدة مجموعات بيانات مفتوحة، في كل من السياقات أحادية الوسائط ومتعددة الوسائط.