RippleNet : Propagation des Préférences Utilisateurs sur le Graphe de Connaissances pour les Systèmes de Recommandation

Pour résoudre le problème de rareté et de démarrage à froid du filtrage collaboratif, les chercheurs utilisent généralement des informations annexes, telles que les réseaux sociaux ou les attributs des éléments, afin d'améliorer la performance des recommandations. Cet article considère le graphe de connaissances comme une source d'informations annexes. Afin de surmonter les limites des méthodes existantes basées sur l'embedding et sur les chemins pour les recommandations prenant en compte le graphe de connaissances, nous proposons le Réseau Ondulatoire (Ripple Network), un cadre intégré qui incorpore naturellement le graphe de connaissances dans les systèmes de recommandation. De manière similaire aux véritables ondulations se propageant à la surface de l'eau, le Réseau Ondulatoire stimule la propagation des préférences utilisateur au sein de l'ensemble des entités de connaissance en élargissant automatiquement et itérativement les intérêts potentiels d'un utilisateur le long des liens du graphe de connaissances. Les multiples « ondulations » activées par les éléments cliqués historiquement par un utilisateur s'additionnent donc pour former la distribution des préférences de l'utilisateur par rapport à un élément candidat, ce qui peut être utilisé pour prédire la probabilité finale de clic. À travers une série d'expériences approfondies sur des jeux de données réels, nous démontrons que le Réseau Ondulatoire réalise des gains substantiels dans divers scénarios, y compris pour les recommandations de films, de livres et d'actualités, par rapport à plusieurs méthodes avancées actuelles.