شبکه عصبی گرافی آگاه از زمان ماندگاری برای توصیه مبتنی بر نشست

سیستم های توصیه مبتنی بر نشست، پیشنهاد آیتم بعدی را صرفا بر اساس تعاملات کوتاه مدت کاربر و بدون نیاز به پروفایل بلندمدت انجام می دهند. مدل های پیشرفته امروزی از شبکه های عصبی گرافی برای مدل سازی روابط پیچیده بین آیتم ها در یک نشست استفاده می کنند. با این حال، اکثر این مدل ها تمام تعاملات (کلیک ها) را یکسان فرض کرده و سیگنال مهم زمان ماندگاری (مدت توقف کاربر روی هر آیتم) را نادیده می گیرند. در این مقاله، مدل شبکه عصبی گرافی آگاه از زمان ماندگاری را ارائه می دهیم که در آن یال های گراف نشست بر اساس لگاریتم زمان ماندگاری وزن دهی می شوند. این وزن ها در فرآیند انتشار پیام شبکه عصبی گرافی اثر می گذارند و باعث می شوند تعاملات با زمان توقف طولانی تر (نشان دهنده علاقه بیشتر) تاثیر بیشتری در نمایش نهایی آیتم ها داشته باشند. ارزیابی روی دو مجموعه داده استاندارد Yoochoose و Diginetica نشان می دهد که این الگوریتم نسبت به مدل توصیه مبتنی بر نشست با شبکه های عصبی گرافی و مدل پیشرفته شبکه های عصبی گرافی بهبودیافته با زمینه سراسری بهبود معناداری در معیارهای Precision، Recall و به ویژه میانگین رتبه معکوس دارد. مدل پیشنهادی بدون افزایش بار محاسباتی قابل توجه، دقت توصیه را حدود ۱٪ بهبود می بخشد.

کلیدواژه ها:

توصیه مبتنی بر نشست ، زمان ماندگاری ، شبکه عصبی گرافی ، گراف وزن دار ، بازخورد ضمنی