Apprentissage de métriques relationnelles latentes par attention basée sur la mémoire pour le classement collaboratif

Cet article propose une nouvelle architecture neuronale pour le classement collaboratif avec un feedback implicite. Notre modèle, LRML (\textit{Latent Relational Metric Learning}), est une approche novatrice d'apprentissage de métriques pour les systèmes de recommandation. Plus précisément, au lieu des mécanismes simples de repousse-attraction entre les paires utilisateur-élément, nous proposons d'apprendre des relations latentes qui décrivent chaque interaction utilisateur-élément. Cela aide à atténuer la potentielle rigidité géométrique des approches actuelles d'apprentissage de métriques. Ainsi, cela permet non seulement une meilleure performance mais aussi une plus grande capacité de modélisation, permettant à notre modèle de s'adapter à un nombre plus important d'interactions. Pour ce faire, nous utilisons un module mémoire augmenté et apprenons à porter attention à ces blocs mémoire afin de construire des relations latentes. Le module d'attention basé sur la mémoire est contrôlé par l'interaction utilisateur-élément, rendant le vecteur relationnel appris spécifique à chaque paire utilisateur-élément. Par conséquent, cela peut être interprété comme l'apprentissage d'une traduction relationnelle exclusive et optimale pour chaque interaction utilisateur-élément. L'architecture proposée montre des performances de pointe sur plusieurs benchmarks de recommandation. LRML surpasses les autres modèles d'apprentissage de métriques de 6\% à 7,5\% en termes de Hits@10 et nDCG@10 sur des grands ensembles de données tels que Netflix et MovieLens20M. De plus, des études qualitatives fournissent également des preuves que notre modèle proposé est capable d'inférer et d'encoder des informations explicites sur les sentiments, le temporel et les attributs malgré son entraînement uniquement sur du feedback implicite. Ainsi, cela confirme la capacité de LRML à révéler la structure relationnelle cachée au sein des ensembles de données implicites.