Réseaux de Graphes à Attention Double pour une Représentation Latente Profonde des Effets Sociaux Multiformes dans les Systèmes de Recommandation

La recommandation sociale utilise les informations sociales pour résoudre les problèmes de rareté des données et de démarrage à froid dans les méthodes traditionnelles de filtrage collaboratif. Cependant, la plupart des modèles existants supposent que les effets sociaux provenant des utilisateurs amis sont statiques et se présentent sous forme de poids constants ou de contraintes fixes. Pour relâcher cette hypothèse forte, dans cet article, nous proposons des réseaux d'attention à double graphe afin d'apprendre conjointement des représentations pour deux types d'effets sociaux : l'un est modélisé par un poids d'attention spécifique à l'utilisateur, et l'autre est modélisé par un poids d'attention dynamique et contextuel. Nous étendons également les effets sociaux du domaine utilisateur au domaine des éléments, afin que les informations provenant des éléments connexes puissent être exploitées pour atténuer davantage le problème de rareté des données. De plus, en tenant compte du fait que les différents effets sociaux dans ces deux domaines peuvent interagir entre eux et influencer conjointement les préférences des utilisateurs pour les éléments, nous proposons une nouvelle stratégie de fusion basée sur une politique issue du bandit multi-bras contextuel pour pondérer les interactions de divers effets sociaux. Les expériences menées sur un jeu de données de référence et sur un jeu de données commercial vérifient l'efficacité des composants clés de notre modèle. Les résultats montrent que notre modèle réalise une amélioration significative en termes de précision des recommandations par rapport aux autres méthodes avancées de recommandation sociale.