بررسی رویکردهای یادگیری گراف برای سیستم های توصیه گر

سال های اخیر شاهد توسعه سریع موضوع نوظهور سیستم های توصیه گر مبتنی بر یادگیری گراف (GLRS) بوده ایم. GLRS عمدتا از رویکردهای پیشرفته یادگیری گراف برای مدل سازی ترجیحات و نیات کاربران و همچنین ویژگی ها و محبوبیت آیتم ها برای سیستم های توصیه گر (RS) استفاده می کنند. برخلاف سیستم های توصیه گر سنتی که شامل فیلترینگ مبتنی بر محتوا و فیلترینگ مشارکتی هستند، GLRS بر روی گراف های ساده یا پیچیده ای ساخته شده اند که در آن ها اشیاء مختلفی مانند کاربران، آیتم ها، و ویژگی ها به صورت صریح یا ضمنی متصل هستند. با توسعه سریع یادگیری گراف، بررسی و بهره برداری از روابط همگن یا ناهمگن در گراف ها یک جهت گیری امیدوار کننده برای ساخت سیستم های توصیه گر پیشرفته است. در این مقاله، ما یک مرور سیستماتیک از GLRS ارائه می دهیم و نحوه استخراج دانش از گراف ها برای بهبود دقت، قابلیت اطمینان و قابلیت توضیح برای توصیه ها را بررسی می کنیم. ابتدا GLRS را توصیف و فرموله می کنیم، سپس چالش های کلیدی در این زمینه تحقیقاتی جدید را خلاصه و دسته بندی می کنیم. سپس، جدیدترین و مهم ترین پیشرفت ها در این حوزه را مرور می کنیم. در نهایت، چند جهت تحقیقاتی جدید در اینحوزه پررونق را به اشتراک می گذاریم.

کلیدواژه ها:

سیستم های توصیه گر ، یادگیری گراف ، یادگیری ماشین ، گراف تعامل-کاربر ، شبکه های عصبیگراف