یک سامانه پیشنهاددِه بر پایه شبکه‌های عصبی گرافی و با استفاده از روش دامنه‌های متقابل برای حل مشکل آغاز سرد

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد هوش مصنوعی، گروه مهندسی برق و کامپیوتر، دانشگاه خوارزمی، تهران، ایران.

2 استادیار گروه مهندسی برق و کامپیوتر، دانشگاه خوارزمی، تهران، ایران.

چکیده

امروزه میزان و اهمیت داده‌های موجود در اینترنت به طور تصاعدی در حال افزایش است که انتخاب یک گزینه مطلوب از بین گزینه‌های بسیار زیاد می‌تواند خسته کننده و وقت‌گیر باشد. هدف سامانه‌های پیشنهاددِه، این است که این فرآیند را با یافتن آیتم‌های مناسبی که بیشتر مورد علاقه کاربران هستند، تسهیل کنند. تکنیک‌های پیشنهادی سامانه‌های پیشنهاددِه موجود از مشکلات رایجی مانند پراکندگی داده، شروع سرد و مشکلات کاربران جدید رنج می‌برند. در این مقاله تمرکز اصلی بر استفاده از اطلاعات دامنه‌های دیگر برای ایجاد سامانه‌های پیشنهاددِه دامنه متقابل است. سامانه‌های پیشنهاددِه دامنه متقابل می‌توانند موقعیت‌های شروع سرد و کاربران جدید را به خوبی مدیریت کنند، در این مقاله ابتدا مدلی بر پایه شبکه‌های عصبی گرافی، الگوی تعاملات کاربران و آیتم‌ها را در هر دامنه به صورت مستقل کشف می‌کند و در گام بعد یک شبکه عصبی بازنمایی بدست آمده برای کاربران شروع سرد را از دامنه مبدأ به دامنه هدف منتقل می‌کند. نتایج نشان می‌دهد مدل پیشنهادی در مقایسه با سایر مدل‌ها عملکرد بهتری برای رتبه‌بندی آیتم‌ها دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

A Recommender System Based On Graph Neural Networks And Using Cross Domain Approach For Solving Cold Start Problem

نویسندگان [English]

  • Sahar Akhzari 1
  • Nosratali Ashrafi-Payaman 2
1 MSc. of Artificial Intelligence, Department of Electrical and Computer Engineering, Kharazmi University, Tehran, Iran.
2 Assistant Professor, Department of Electrical and Computer Engineering, Kharazmi University, Tehran, Iran.
چکیده [English]

Today, the amount and importance of data available on the Internet is increasing exponentially, so choosing a suitable option from among many options can be tiring and time-consuming. The goal of recommendation systems is to facilitate this process by finding the right items that are of most interest to users. Existing recommendation systems suffer from common problems such as data sparsity, cold start, and new user problems. In this article, the main focus is on using information from other domains to create cross-domain recommendation systems. The proposed cross-domain systems can manage cold start situations and new users. In this article, first, a model based on convolutional graph neural networks discovers the interaction pattern of users and items in each domain independently, and in the next step, a neural network is used to transfer representation for cold-start users from the source domain to the target domain. The results show that the proposed model has a better performance compared to other proposed models for estimating the recorded score for the items.

کلیدواژه‌ها [English]

  • recommendation systems
  • cross domain recommender systems
  • neural network
  • cold start

مراجع

محمدی، سید علی و عندلیب، اعظم،1395،سیستم های توصیه گر و چالش شروع سرد : بررسی راه کارها،اولین کنفرانس ملی مهندسی کامپیوتر، علوم کامپیوتر و فناوری اطلاعات،قم
Jiang, P. Cui, N. J. Yuan, X. Xie, and S. Yang, “Little Is Much: Bridging Cross-Platform Behaviors through Overlapped Crowds,” 30th AAAI Conference on Artificial Intelligence, AAAI 2016, pp. 13–19, 2016, doi: 10.1609/AAAI.V30I1.10001.
Zhu, C. Chen, Y. Wang, G. Liu, and X. Zheng, “DTCDR: A framework for dual-target cross-domain recommendation,” International Conference on Information and Knowledge Management, Proceedings, pp. 1533–1542, Nov. 2019, doi: 10.1145/3357384.3357992.
Man, H. Shen, X. Jin, and X. Cheng, “Cross-domain recommendation: An embedding and mapping approach,” IJCAI International Joint Conference on Artificial Intelligence, vol. 0, pp. 2464–2470, 2017, doi: 10.24963/IJCAI.2017/343.
Wang, Z. Peng, S. Wang, P. S. Yu, W. Fu, and X. Hong, “Cross-Domain Recommendation for Cold-Start Users via Neighborhood Based Feature Mapping,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 10827 LNCS, pp. 158–165, Mar. 2018, doi: 10.1007/978-3-319-91452-7_11.
Zhu et al., “Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users,” SIGIR 2021 - Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 1813–1817, May 2021, doi: 10.1145/3404835.3463010.
Zhu et al., “Personalized Transfer of User Preferences for Cross-domain Recommendation,” WSDM 2022 - Proceedings of the 15th ACM International Conference on Web Search and Data Mining, pp. 1507–1515, Oct. 2021, doi: 10.1145/3488560.3498392.
Kang S, Hwang J, Lee D, Yu H. Semi-supervised learning for cross-domain recommendation to cold-start users. InProceedings of the 28th ACM international conference on information and knowledge management 2019 Nov 3 (pp. 1563-1572).
Khazaei M, Ashrafi-Payaman N. An Unsupervised Anomaly Detection Model for Weighted Heterogeneous Graph. Journal of AI and Data Mining. 2023 Apr 1;11(2):237-45.
Shuman DI, Narang SK, Frossard P, Ortega A, Vandergheynst P. The emerging field of signal processing on graphs: Extending high-dimensional data analysis to networks and other irregular domains. IEEE signal processing magazine. 2013 Apr 5;30(3):83-98.
Hamilton W, Ying Z, Leskovec J. Inductive representation learning on large graphs. Advances in neural information processing systems. 2017;30.
Wang, X. He, L. Nie, and T.-S. Chua, “Item Silk Road: Recommending Items from Information Domains to Social Users,” SIGIR 2017 - Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 185–194, Jun. 2017, doi: 10.1145/3077136.3080771.
Cui, T. Wei, Y. Zhang, and Q. Zhang, “HeroGRAPH: A Heterogeneous Graph Framework for Multi-Target Cross-Domain Recommendation,” ORSUM@RecSys, 2020.
Xu K, Xie Y, Chen L, Zheng Z. Expanding relationship for cross domain recommendation. InProceedings of the 30th ACM International Conference on Information & Knowledge Management 2021 Oct 26 (pp. 2251-2260).
Grover A, Leskovec J. node2vec: Scalable feature learning for networks. InProceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining 2016 Aug 13 (pp. 855-864).
Zhao, C. Li, R. Xiao, H. Deng, and A. Sun, “CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network,” SIGIR 2020 - Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 229–238, May 2020, doi: 10.1145/3397271.3401169.
https://cseweb.ucsd.edu/~jmcauley/datasets/amazon/links.html
 
پژوهش های نظری و کاربردی هوش ماشینی
دوره 2، شماره 1
شهریور 1403
صفحه 67-76

فایل ها

هم رسانی

ارجاع به این مقاله

آمار