ارائه یک چارچوب ترکیبی مبتنی بر شبکه های عصبی گراف و روش های تجمیع اجتماعی برای سیستم های توصیه گر گروهی عادلانه

در سال های اخیر سیستم های توصیه گر گروهی به منظور ارائه پیشنهادهای همزمان به مجموعه ای از کاربران با ترجیحات متنوع مورد توجه قرار گرفته اند. یکی از چالش های اصلی در این سیستم ها، تجمیع ترجیحات فردی به شکلی عادلانه و رضایت بخش برای تمام اعضای گروه است. پژوهش حاضر یک چارچوب توصیه شبکه های عصبی گراف نوین برای توصیه گر گروهی ارائه می دهد که با بهره گیری از داده های جانبی و ساختار گراف، تلاش می کند فیلترینگ مشارکتی مسئله پراکندگی داده های رتبه بندی و بی عدالتی در تجمیع ترجیحات را برطرف کند. در این مدل، ابتدا با استفاده از اطلاعات جانبی کاربران و آیتم ها گراف تعاملی میان آن ها ایجاد شده و با کمک تجزیه ماتریس غیرمنفی (NMF) تعبیه اولیه نودها به دست می آید سپس با به کارگیری سه شبکه پیچشی گرافی (GCN) تعبیه نهایی کاربران و آیتم ها محاسبه شده و پیش بینی رتبه بندی ها از طریق یک پرسپترون چندلایه (MLP) انجام می شود. در گام نهایی با استفاده از الگوریتم های انتخاب اجتماعی رتبه های پیشنهادی به صورت عادلانه تجمیع شده و لیست نهایی توصیه به گروه ارائه می شود. مدل پیشنهادی بر روی مجموعه داده مووی لنز ۱۰۰ و ۱M ارزیابی شده است. نتایج نشان می دهد که این مدل در سطح فردی به مقادیر بالای NDCG (تا ۰.۹ الی ۱) دست یافته و علاوه بر دستیابی به دقت قابل قبول، توانسته است عدالت در توصیه ها را نیز بهبود بخشد. این رویکرد می تواند در کاربردهایی که توازن میان دقت و انصاف اهمیت دارد به عنوان راهکاری موثر مورد استفاده قرار گیرد.

کلیدواژه ها:

سیستم های توصیه گر گروهی ، شبکه های عصبی گراف ، تجمیع اجتماعی ، عدالت ، توصیه گر گروهی