توصيه زمان پيوسته با استفاده از شبكه عصبي گراف

اصفهان : دانشگاه صنعتي اصفهان

كامپيوتر

كارشناسي ارشد

در دنياي امروز اينترنت، حجم بزرگ اطلاعات و چالش‌هاي انتخاب منابع توسط كاربران، نيازمند راهنمايي‌هاي صحيح است. سيستم‌هاي توصيه‌گر به عنوان ابزارهاي حياتي براي كمك به كاربران در انتخاب منابع و دريافت اطلاعات ظاهر شده‌اند. اين سيستم‌ها با هدف توليد توصيه‌هاي هوشمند براي گروه‌هاي خاصي از كاربران، به ويژه كساني كه به محصولات خاصي علاقه دارند، طراحي شده‌اند. در دهه‌هاي اخير، روش‌هاي مختلفي براي سيستم‌هاي توصيه‌گر پديدار شده و الگوريتم‌ها، مقالات و متون علمي متنوعي در اين زمينه معرفي شده‌اند. تكنيك‌هاي شبكه عصبي گراف به‌عنوان يك راه‌حل مؤثر براي مدل‌سازي ساختار گرافي سيستم‌هاي توصيه‌گر به‌شهرت رسيده‌اند. اين تكنيك‌ها با جمع‌آوري اطلاعات از همسايه‌ها، بازنمايي‌هاي بهتري براي كاربران و موارد فراهم مي‌كنند. در اين تحقيق، با بهره‌گيري از تكنيك‌هاي شبكه عصبي گراف، گراف دو بخشي زمان پيوسته براي نمايش تمام تعاملات زماني به‌كار گرفته شده است. اين گراف شامل رئوس نمايانگر كاربران و موارد و يال ها با ويژگي‌هاي زماني براي هر تعامل است. اين ويژگي‌هاي زماني به مرتب‌سازي دنباله خريد موارد كمك مي‌كنند و براي مدل‌سازي وابستگي‌هاي زماني تعاملات و تمايز دادن تأثيرات زماني همسايگان نيز به‌كار مي‌روند. با تعريف يك عمل گراف كانولوشن با توجه به موقعيت و زمان، الگوها و پويايي‌هاي زماني بين تعاملات كاربر و مورد مدل مي‌شوند. اين روش با استفاده از يك جمع‌كننده خودتوجه، بازنمايي‌هاي پويا براي كاربران و موارد را همزمان در گراف دو بخشي ياد مي‌گيرد و با استفاده از چندين لايه گراف كانولوشن، اتصالات پيچيده مرتبه بالا بين كاربران و موارد را نيز مدل مي‌كند. در داده‌هاي توصيه‌گر، معمولاً تعداد محدودي مورد محبوب با تكرار بالا وجود دارد، كه به آنها تمركز زيادي شده است. در مقابل، موارد كمياب با تكرار كم حضور دارند. اين اختلاف باعث مي‌شود مدل توصيه تنها به موارد محبوب تمركز كند. براي حل اين مشكل، يك رويكرد توصيه متنوع با استفاده از روش‌هاي وزن‌دهي مجدد به تابع هزينه براي موارد با تكرار بالا معرفي شده است. در اين روش، وزن‌هاي مختلفي به دسته‌هاي مختلف موارد تخصيص داده مي‌شود، تا مدل به توصيه‌ي موارد كمياب نيز توجه كند. همچنين، روش‌هاي توصيه‌گر معمولاً بر روي حذف نمونه‌هاي منفي كاذب تمركز دارند. در اين تحقيق، به جاي حذف اين نمونه‌ها، از يك روش براي تشخيص نمونه‌هاي منفي كاذب استفاده شده است. اين روش اين نمونه‌ها را تغيير داده و به نمونه‌هاي مثبت تبديل كرده و از آنها براي بهبود عملكرد مدل استفاده مي‌شود. در نهايت، مجموعه داده MovieLens براي ارزيابي اين روش استفاده شده است و نتايج نشان داده‌اند كه روش پيشنهادي نسبت به روش‌هاي پايه و عميق ديگر، عملكرد بهتري دارد. در ادامه مقاله، به بررسي مفاهيم اوليه، كارهاي مرتبط، جزئيات روش پيشنهادي، پياده‌سازي، و نتايج به‌دست‌آمده پرداخته‌شده است.

227375

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان