Multiview graph dual-attention deep learning and contrastive learning for multi-criteria recommender systems

要約

ディープラーニングモデルを活用する推奨システムは、ユーザーが好みや関心に沿ったアイテムを選択するのを支援するために重要でした。
ただし、単一基準の推奨システムでは重要な課題が存続します。これは、多基準推奨システム（MCRS）で対処されているアイテムの多様な属性を見落とすことがよくあります。
マルチ基準のアイテム評価のための共有埋め込みベクトルですが、特定の基準に基づいてユーザーとアイテムの間の微妙な関係を把握するのに苦労しています。
この研究では、各エッジがユーザーによるアイテムの1つの基準定格を表すマルチエッジ二部グラフに基づいたマルチ基準推奨システム（MCRS）の新しい表現を提示し、マルチビューデュアルグラフ注意ネットワーク（MDGAT）を提示します。
MDGATを採用することは、ローカル（基準ベース）とグローバル（マルチ基準）の両方の関係の両方が存在することを考えると、ユーザーとアイテム間のすべての関係を適切に検討するために有益であり、重要です。
さらに、類似性に基づいて各ビューのアンカーポイントを定義し、各ビューとグラフ全体の正と負のサンプルを区別するためにローカルおよびグローバルな対照学習を使用します。
2つの実際のデータセットでの方法を評価し、アイテム評価の予測に基づいてそのパフォーマンスを評価します。
結果は、同じデータセットのアイテム評価を予測するためのベースライン方法と比較して、この方法がより高い精度を達成することを示しています。
MDGATは、隣人のローカルおよびグローバルな影響とノード間の類似性を効果的に捉えています。

要約(オリジナル)

Recommender systems leveraging deep learning models have been crucial for assisting users in selecting items aligned with their preferences and interests. However, a significant challenge persists in single-criteria recommender systems, which often overlook the diverse attributes of items that have been addressed by Multi-Criteria Recommender Systems (MCRS). Shared embedding vector for multi-criteria item ratings but have struggled to capture the nuanced relationships between users and items based on specific criteria. In this study, we present a novel representation for Multi-Criteria Recommender Systems (MCRS) based on a multi-edge bipartite graph, where each edge represents one criterion rating of items by users, and Multiview Dual Graph Attention Networks (MDGAT). Employing MDGAT is beneficial and important for adequately considering all relations between users and items, given the presence of both local (criterion-based) and global (multi-criteria) relations. Additionally, we define anchor points in each view based on similarity and employ local and global contrastive learning to distinguish between positive and negative samples across each view and the entire graph. We evaluate our method on two real-world datasets and assess its performance based on item rating predictions. The results demonstrate that our method achieves higher accuracy compared to the baseline method for predicting item ratings on the same datasets. MDGAT effectively capture the local and global impact of neighbours and the similarity between nodes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google