یک مدل یادگیری متضاد برای توصیه های متوالی آگاهانه اجتماعی

توصیه متوالی یک وظیفه ی مهم در سیستم توصیه گر است که تاریخچه ای از رفتار کاربران را برای یادگیری تغییرات پویا ،علایق کاربران و پیش بینی رفتار بعدی کاربر مدل میکند. رویکردهای کنونی عمدتا بر روی مد لسازی متوالی رفتار قبلی کاربران تمرکزکرده و دارای آگاهی اجتماعی نیستند، بدین معنی که اطلاعات اجتماعی کاربران را نادیده می گیرند. در همین حال، به دلیل تصادفیبودن و تنوع بالای رفتار کاربران، بسیاری از رویکردها به راحتی تحت تاثیر نویز قرار گرفته و ممکن است علایق واقعی کاربران را در نظرنگیرد. برای مقابله با مشکلات فوق، ما مدل جدیدی به نام یادگیری متضاد برای توصیه های متوالی آگاهانه اجتماعی (CLSSR) معرفیمیکنیم که به دو ماژول ۱- ماژول یادگیری متضاد و شبکه پیچشی گراف تقسیم بندی می شود. - به طور خاص، یک مکانیسم یادگیریخود نظارتی جدید ابداع شده تا با جایگزین نمودن یک مورد با یکی از همسایگان تعاملی در شبکه اجتماعی، بازنمایی کاربر را افزایشدهد. علاوه بر این، از شبکه پیچشی گراف برای جمع آوری اطلاعات اجتماعی کاربران در شبکه اجتماعی استفاده میشود. پس ازآزمایش های متمرکزی که روی دو مجموعه داده واقعی انجام شد، مدل CLSSR عملکرد بهتری را نسبت به مدل های پیشرفته نشان میدهد. این تحقیق نقش یادگیری متضاد را در استفاده از اطلاعات شبکه اجتماعی برای بهبود اثر توصیه های متوالی نشان می دهد.

کلیدواژه ها:

توصیه متوالی ، یادگیری متضاد ، یادگیری خود نظارتی ، شبکه های پیچشی گراف ، شبکه اجتماعی