بهبود عملکرد سیستم توصیه گر اجتماعی مبتنی بر شبکه کانولوشن گراف

طالب خفـائی ¹ ( دانشکده فنی و مهندسی، دانشگاه ازاد اسلامی واحد بوشهر، بوشهر، ایران )
محمد مهدی اسدی پور ² ( دانشگاه آزاد اسلامی واحد بوشهر، بوشهر، ایران )

تاريخ الإرسال : 03 الأربعاء , جمادى الثانية, 1446 تاريخ التأكيد : 11 السبت , رجب, 1446

الکلمات المفتاحية: توصیه اجتماعی, گراف شبکه های کانولوشن, سیستم های توصیه گر, شبکه های اجتماعی,

ملخص المقالة :

سیستم‌های توصیه‌گر الگوریتم‌های پیچیده‌ای هستند که توسط کسب‌وکارها برای شخصی‌سازی و بهبود تجربیات کاربر استفاده می‌شوند. با تجزیه و تحلیل رفتار کاربر، اولویت‌ها و داده‌های تاریخی، سیستم‌های توصیه‌گر می‌توانند به طور موثر توصیه‌های شخصی‌سازی شده برای محصولات، خدمات یا محتوا را به کاربران ارائه دهند. از طریق استفاده از فناوری‌های یادگیری ماشین و هوش مصنوعی، سیستم‌های توصیه‌گر به‌طور پیوسته یاد می‌گیرند و در طول زمان با ترجیحات کاربر سازگار می‌شوند. در این پژوهش، مدلی جدیدی ارائه شده است که با هدف بهبود دقت و کارایی سیستم‌های توصیه‌گر توسعه یافته است. مدل پیشنهادی به صورت یکپارچه، شبکه تعاملات کاربر-آیتم، شبکه اجتماعی کاربران و شبکه تشابه مشارکتی آیتم‌ها را در یک ساختار گرافی مدل‌سازی می‌کند. نتایج تجربی به‌دست‌آمده از مجموعه داده واقعی می­باشد که مدل پیشنهادی عملکرد بهتری نسبت به دو پژوهش­ NGCF و LightGCN را نشان می‌دهند. معیارهای NDCG و Recall به ترتیب بهبود 14% و 9% را نسبت به پژوهش­های بیان شده نشان داده­اند. این نتایج به وضوح نشان می‌دهد که ترکیب اطلاعات اجتماعی کاربران و روابط تشابه مشارکتی آیتم‌ها می‌تواند به‌طور قابل‌توجهی عملکرد سیستم‌های توصیه‌گر را ارتقاء دهد..

 

المصادر:

[1] Yin, C., Shi, L., Sun, R., & Wang, J. (2020). Improved collaborative filtering recommendation algorithm based on differential privacy protection. The Journal of Supercomputing, 76, 5161-5174.‏
[2] Wu, L., Sun, P., Fu, Y., Hong, R., Wang, X., & Wang, M. (2019, July). A neural influence diffusion model for social recommendation. In Proceedings of the 42nd international ACM SIGIR conference on research and development in information retrieval (pp. 235-244).‏
[3] Wu, L., He, X., Wang, X., Zhang, K., & Wang, M. (2022). A survey on accuracy-oriented neural recommendation: From collaborative filtering to information-rich recommendation. IEEE Transactions on Knowledge and Data Engineering, 35(5), 4425-4445.‏
[4] Wang, X., Ma, W., Guo, L., Jiang, H., Liu, F., & Xu, C. (2022). Hgnn: Hyperedge-based graph neural network for mooc course recommendation. Information Processing & Management, 59(3), 102938.‏
[5] Wu, L., Li, J., Sun, P., Hong, R., Ge, Y., & Wang, M. (2020). Diffnet++: A neural influence and interest diffusion network for social recommendation. IEEE Transactions on Knowledge and Data Engineering, 34(10), 4753-4766.
[6] Fan, W., Ma, Y., Li, Q., He, Y., Zhao, E., Tang, J., & Yin, D. (2019, May). Graph neural networks for social recommendation. In The world wide web conference (pp. 417-426).‏
[7] Li, Y., Zhan, Z., Li, H., & Liu, C. (2022). Interest-aware influence diffusion model for social recommendation. Journal of Intelligent Information Systems, 1-15.‏
[8] Zhou, Y., Liu, L., Lee, K., Palanisamy, B., & Zhang, Q. (2020). Improving collaborative filtering with social influence over heterogeneous information networks. ACM Transactions on Internet Technology (TOIT), 20(4), 1-29.
[9] Wu, L., Sun, P., Hong, R., Ge, Y., & Wang, M. (2018). Collaborative neural social recommendation. IEEE transactions on systems, man, and cybernetics: systems, 51(1), 464-476.‏
[10] Sun, P., Wu, L., & Wang, M. (2018, June). Attentive recurrent social recommendation. In The 41st international ACM SIGIR conference on research & development in information retrieval (pp. 185-194).‏
[11] Cao, Q., Yin, Q., Song, Y., Wang, Z., Chen, Y., Da Xu, R. Y., & Yang, X. (2023, June). RTANet: Recommendation Target-Aware Network Embedding. In Proceedings of the International AAAI Conference on Web and Social Media (Vol. 17, pp. 84-94).‏
[12] Hossain, I., Puppala, S., Alam, M. J., & Talukder, S. (2024). SocialRec: User Activity Based Post Weighted Dynamic Personalized Post Recommendation System in Social Media. arXiv preprint arXiv:2407.09747.
[13] Rajput, S., Mehta, N., Singh, A., Hulikal Keshavan, R., Vu, T., Heldt, L., ... & Sathiamoorthy, M. (2024). Recommender systems with generative retrieval. Advances in Neural Information Processing Systems, 36.
[14] Lakshmi, T. J., & Bhavani, S. D. (2024). Link prediction approach to recommender systems. Computing, 106(7), 2157-2183.
[15] Ge, Y., Huang, C., Liu, Y., Zhang, S., & Kong, W. (2024). Unsupervised social network embedding via adaptive specific mappings. Frontiers of Computer Science, 18(3), 183310.
[16] He, X., Deng, K., Wang, X., Li, Y., Zhang, Y., & Wang, M. (2021, July). Lightgcn: Simplifying and powering graph convolution network for recommendation. In Proceedings of the 43rd International ACM SIGIR conference on research and development in Information Retrieval (pp. 639-648).
[17] Dos Santos, L., Piwowarski, B., & Gallinari, P. (2017, August). Gaussian embeddings for collaborative filtering. In Proceedings of the 40th international ACM SIGIR conference on research and development in information retrieval (pp. 1065-1068).
[18] Tang, J., Hu, X., & Liu, H. (2013). Social recommendation: a review. Social Network Analysis and Mining, 3, 1113-1133.
[19] Bennett, J., & Lanning, S. (2007, August). The netflix prize. In Proceedings of KDD cup and workshop (Vol. 2007, p. 35).
[20] Koren, Y., & Bell, R. (2015). Advances in Collaborative Filtering, Recommender Systems Handbook, Editör: Ricci, F., Rokach, L., Shapira, B.
[21] Bell, R. M., & Koren, Y. (2007, October). Scalable collaborative filtering with jointly derived neighborhood interpolation weights. In Seventh IEEE international conference on data mining (ICDM 2007) (pp. 43-52). IEEE.
[22] Ahmad, H. K., Qi, C., Wu, Z., & Muhammad, B. A. (2023). ABiNE-CRS: course recommender system in online education using attributed bipartite network embedding. Applied Intelligence, 53(4), 4665-4684.
[23] Chang, J., Gao, C., Zheng, Y., Hui, Y., Niu, Y., Song, Y., ... & Li, Y. (2021, July). Sequential recommendation with graph neural networks. In Proceedings of the 44th international ACM SIGIR conference on research and development in information retrieval (pp. 378-387).
[24] Chen, C., Guo, J., & Song, B. (2021, July). Dual attention transfer in session-based recommendation with multi-dimensional integration. In Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 869-878).