ارائه روشی مبتنی بر ترنفسفورمر با تمرکز بر ساختار گرافی در سیستم های توصیه گر

با گسترش بسترهای ارتباطی و افزایش حجم اطلاعات و محتواها در تجارت الکترونیک، سیستم های توصیه گر نقش مهمی در ارائه پیشنهادهای شخصی سازی شده و تسهیل فرایند تصمیم گیری کاربران می توانند داشته باشند. با این وجود، پراکندگی داده های تعاملی، پیچیدگی روابط میان کاربران و اقلام و همچنین محدودیت روش های موجود در استخراج وابستگی های پیچیده، از چالش های اساسی و همیشگی این سیستم ها به شمار می روند. در این مقاله، روشی مبتنی بر ترکیب ترنسفورمر و شبکه های عصبی گرافی با تمرکز بیشتر بر ویژگی های گرافی برای بهبود عملکرد سیستم های توصیه گر ارائه شده است. در روش پیشنهادی، تعاملات کاربران و اقلام برای بازنمایی روابط مستقیم و غیرمستقیم میان آن ها در قالب یک ساختار گرافی مدل سازی می شوند تا ویژگی های مهم به صورت موثر استخراج شوند. همچنین پروفایل کاربران به عنوان تغذیه کننده ترنسفورمر جهت یادگیری دنباله اقلام استفاده شده است. سپس، با بهره گیری از قابلیت های شبکه های عصبی گرافی در یادگیری اطلاعات ساختاری و انتقال پیام میان گره ها و استفاده از سازوکار توجه برای شناسایی وابستگی های پیچیده و تعیین اهمیت نسبی تعاملات، بازنمایی های دقیق تر و غنی تری از کاربران و اقلام ایجاد می شوند. در نهایت این بازنمایی ها در مرحله پیش بینی برای تخمین ترجیحات کاربران و رتبه بندی اقلام مورد استفاده قرار می گیرند. به منظور ارزیابی روش پیشنهادی، عملکرد آن با چندین روش پایه در یک چارچوب آزمایشی یکسان مبتنی بر پیکره استاندارد Yelp مقایسه شده است. نتایج ارزیابی نشان می دهند که روش پیشنهادی با کسب ۲۰NDCG@ برابر ۰٫۱۱۴۵ و ۲۰Recall@ برابر ۰٫۲۷۱۵ در معیارهای ارزیابی استاندارد، عملکرد مناسبی داشته و در مقایسه با روش های پایه، بهبود قابل توجهی در کیفیت پیشنهادها حاصل کرده است. موارد بدست آمده نشان می دهند که ترکیب یادگیری ساختار گرافی و سازوکار توجه ترنسفورمر می تواند رویکرد موثری برای بهبود دقت و کیفیت سیستم های توصیه گر باشد.

کلیدواژه ها:

سیستم های توصیه گر ، ترنسفورمر ، شبکه های عصبی گرافی ، یادگیری بازنمایی ، کدگذاری ساختاری.