Interpretierbares Empfehlungssystem mit heterogenen Informationen: Ein geometrisches tiefes Lernperspektive

Empfehlungssysteme (RS) sind im digitalen Raum allgegenwärtig. In diesem Artikel wird ein auf tiefen Lernverfahren basierender Ansatz vorgestellt, um drei praktische Herausforderungen in RS zu bewältigen: komplexe Strukturen hochdimensionaler Daten, Rauschen in relationalen Informationen sowie die undurchsichtige Natur von maschinellen Lernalgorithmen. Unser Verfahren – Multi-Graph Graph Attention Network (MG-GAT) – lernt latente Benutzer- und Geschäftsdarstellungen, indem es eine Vielzahl von Informationen aus den Nachbarn jedes Benutzers (jedes Geschäfts) auf einem Nachbarn-Wichtigkeits-Graphen aggregiert. MG-GAT übertrifft state-of-the-art Deep-Learning-Modelle bei der Empfehlungsaufgabe, wie anhand zweier großskaliger Datensätze aus Yelp sowie vier weiterer Standard-Datensätze im Bereich RS gezeigt wird. Die verbesserte Leistung unterstreicht den Vorteil von MG-GAT, mehrmodale Merkmale in einer konsistenten Weise zu integrieren. Die Analyse der Merkmalswichtigkeit, des Nachbarn-Wichtigkeits-Graphen sowie der latenten Darstellungen liefert wertvolle Einblicke in prädiktive Merkmale sowie erklärbare Eigenschaften von Unternehmen und Benutzern. Darüber hinaus kann der gelernte Nachbarn-Wichtigkeits-Graph in verschiedenen Managementanwendungen eingesetzt werden, beispielsweise zur gezielten Kundenansprache, zur Förderung neuer Unternehmen oder zur Gestaltung von Informationsbeschaffungsstrategien. Unser Beitrag stellt eine exemplarische Anwendung großer Datenmengen mittels Deep-Learning-Modelle im Management dar und bietet gleichzeitig die notwendige Interpretierbarkeit für Entscheidungsprozesse in der Praxis.