Attributbewusste nichtlineare Co-Embeddings von Graph-Features

In sehr spärlichen Empfehlungsdatenmengen können Nutzerattribute wie Alter, Geschlecht und Wohnort sowie Item-Attribute wie beispielsweise bei Filmen Genre, Erscheinungsjahr und Regisseur die Genauigkeit der Empfehlungen verbessern, insbesondere für Nutzer und Items mit wenigen Bewertungen. Während die meisten Empfehlungsmodelle erweitert werden können, um Nutzer- und Item-Attribute zu berücksichtigen, wird ihre Architektur dabei gewöhnlich komplexer. Während Item-Attribute oft leicht verfügbar sind, sind Nutzerattribute aufgrund von Datenschutzgründen oder einfach weil sie für den jeweiligen Anwendungsprozess nicht relevant erscheinen, oft nur schwer zugänglich.In diesem Paper adressieren wir diese beiden Herausforderungen für attributbewusste Empfehlungssysteme durch die Einführung eines einfachen Modells, das Nutzer und Items auf ähnliche Weise wie eine herkömmliche Matrixfaktorisierung in einen gemeinsamen latenten Raum einbettet, jedoch mit einer nichtlinearen Konstruktion latenter Merkmale, die problemlos Nutzer- oder Item-Attribute – oder beide gleichzeitig – integrieren kann (GraphRec). Um das zweite Problem, die Seltenheit von Attributen, zu lösen, modelliert das vorgeschlagene Modell die Nutzer-Item-Beziehung als bipartiter Graph und leitet generische Nutzer- und Item-Attribute über die Laplace-Matrix des Nutzer-Item-Ko-Occurrenz-Graphen ab, wobei lediglich die Bewertungsmatrix benötigt wird und keine zusätzlichen externen Nebeninformationen erforderlich sind. In Experimenten an drei Empfehlungsdatensätzen zeigen wir, dass GraphRec selbst ohne jegliche Nebeninformationen signifikant besser abschneidet als bestehende state-of-the-art-Systeme, die entweder attribut- oder inhaltsbasiert sind.