نظام توصية قابل للتفسير مع معلومات غير متجانسة: منظور تعليم عميق هندسي

تُعد أنظمة التوصية (RS) شائعة جدًا في الفضاء الرقمي. يُقدّم هذا البحث منهجًا قائمة على التعلم العميق لمعالجة ثلاث تحديات عملية في أنظمة التوصية: البنية المعقدة للبيانات عالية الأبعاد، والضوضاء الموجودة في المعلومات المتعلقة بالعلاقة، والطبيعة "الصندوق الأسود" للخوارزميات التعلم الآلي. يعتمد منهجنا، المسمى الشبكة الرسومية متعددة الرسومات الانتباهية (MG-GAT)، على تعلّم تمثيلات خفية للمستخدمين والشركات من خلال تجميع مجموعة متنوعة من المعلومات من الجيران لكل مستخدم (شركة) على رسم بياني يُعبّر عن أهمية الجيران. وقد أظهر MG-GAT أداءً أفضل من النماذج العميقة الرائدة في مهام التوصية، باستخدام مجموعتي بيانات كبيرة تم جمعهما من منصة يلبي (Yelp) و أربع مجموعات بيانات قياسية أخرى في مجال أنظمة التوصية. ويُبرز الأداء المحسّن ميزة MG-GAT في دمج الميزات متعددة الأنواع بطريقة منهجية. كما تُظهر أهمية الميزات، والرسم البياني للاستدلال على أهمية الجيران، والتمثيلات الخفية، رؤىً حول الشركات تتعلق بالميزات التنبؤية، بالإضافة إلى الخصائص القابلة للتفسير للشركات والمستخدمين. علاوةً على ذلك، يمكن استخدام الرسم البياني المُتعلم للاستدلال على أهمية الجيران في مجموعة واسعة من التطبيقات الإدارية، مثل استهداف العملاء، وتعزيز الشركات الجديدة، وتصميم استراتيجيات اكتساب المعلومات. ويُقدّم هذا البحث مثالًا كلاسيكيًا لتطبيق نماذج التعلم العميق في معالجة البيانات الكبيرة في المجال الإداري، مع توفير تفسيرية ضرورية لاتخاذ القرارات في البيئة الواقعية.