LT-OCF: التصفية التعاونية القائمة على المعادلة التفاضلية الزمنية القابلة للتعلم

يُعد التصفية التعاونية (Collaborative Filtering - CF) مشكلة قديمة في أنظمة التوصية. وقد تم اقتراح العديد من الطرق الحديثة، التي تمتد من التحليل المصفوفي الكلاسيكي إلى النماذج القائمة على الشبكات العصبية التلافيفية الرسومية (GCNs) الحديثة. وبعد مناقشات حادة حديثًا، بدأ الباحثون في التركيز على الشبكات العصبية التلافيفية الخطية (Linear GCNs) التي تُستخدم مع تراكيب متعددة للطبقات، والتي تُظهر دقة متفوقة في العديد من المجموعات البيانات. في هذه الدراسة، نوسع هذه النماذج استنادًا إلى المعادلات التفاضلية العصبية (Neural Ordinary Differential Equations - NODEs)، نظرًا لأن مفهوم GCN الخطية يمكن تفسيره على أنه معادلة تفاضلية، ونقدّم طريقة التصفية التعاونية القائمة على المعادلات التفاضلية ذات الزمن القابل للتعلم (Learnable-Time ODE-based Collaborative Filtering - LT-OCF). يتمثل الابتكار الرئيسي في طريقتنا في إعادة تصميم GCNs الخطية ضمن إطار NODEs، حيث: (أ) نتعلم البنية المثلى للنموذج بدلًا من الاعتماد على التصاميم اليدوية، (ب) نتعلم حلولًا تفاضلية سلسة تُعتبر مناسبة للتوصية التعاونية، و(ج) نختبر مجموعة متنوعة من حلّالات المعادلات التفاضلية التي تبني داخليًا مجموعة متنوعة من الاتصالات الشبكية العصبية. كما نقدّم أيضًا طريقة تدريب جديدة مصممة خصيصًا لطريقتنا. في تجاربنا على ثلاث مجموعات بيانات معيارية (Gowalla، Yelp2018، وAmazon-Book)، أظهرت طريقتنا دقة أعلى باستمرار مقارنة بالطرق الحالية، مثالًا: تُظهر LightGCN ذاكرة (Recall) قدرها 0.0411 مقابل 0.0442 لـ LT-OCF، ونسبة NDCG قدرها 0.0315 لـ LightGCN مقابل 0.0341 لـ LT-OCF في مجموعة بيانات Amazon-Book. إضافة إلى ذلك، تم اكتشاف مهم آخر في تجاربنا، وهو أن أعلى دقة تم تحقيقها كانت نتيجة اتصالات كثيفة (Dense Connections) بدلًا من الاتصالات الخطية.