Modellierung von Verblassungs-Schärfungs-Prozessen für kollaboratives Filtern

Kollaboratives Filtern ist eines der grundlegendsten Themen in Empfehlungssystemen. Für das kollaborative Filtern wurden zahlreiche Methoden vorgeschlagen, die von Matrixfaktorisierung bis hin zu graphenbasierten Faltungsverfahren reichen. Inspiriert durch die jüngsten Erfolge graphenbasierter Filtermethoden und scorebasierter generativer Modelle (SGMs) präsentieren wir ein neuartiges Konzept des Blurring-Sharpening-Prozess-Modells (BSPM). SGMs und BSPMs teilen dieselbe Verarbeitungsphilosophie: Neue Informationen können entdeckt werden (beispielsweise werden neue Bilder generiert, im Fall von SGMs), wobei die ursprünglichen Informationen zunächst gestört und anschließend wieder in ihren ursprünglichen Zustand zurückversetzt werden. Allerdings behandeln SGMs und unsere BSPMs unterschiedliche Informationsarten, und ihre optimalen Störungs- und Wiederherstellungsprozesse weisen fundamentale Unterschiede auf. Daher unterscheiden sich unsere BSPMs von SGMs in ihrer Form. Zudem umfasst unser Konzept theoretisch viele bestehende Modelle für kollaboratives Filtern und übertrifft diese in Bezug auf Recall und NDCG auf drei Standard-Datensätzen – Gowalla, Yelp2018 und Amazon-book. Darüber hinaus liegt die Verarbeitungszeit unserer Methode auf einem vergleichbaren Niveau zu anderen schnellen Baselines. Unser vorgestelltes Konzept weist großes zukünftiges Potenzial auf, insbesondere durch die Entwicklung verbesserter Blurring- (d. h. Störungs-) und Sharpening- (d. h. Wiederherstellungs-) Prozesse im Vergleich zu denen, die wir in dieser Arbeit verwenden.