Графовые нейронные сети для рекомендательных систем

Графовые нейронные сети (GNN) приобретают все большую популярность в области науки о данных из-за их способности представлять очень сложные и разнообразные структуры в биологии, физике, социологии и других областях. Однако из-за чрезмерного сглаживания и требований гомофилии (необходимы преобладающие связи между узлами графа одного типа) приложения GNN по-прежнему ограничены. Сверточная сеть (SCN) — это усовершенствованный тип GNN, основанный на топологии, который преодолевает эти проблемы, но, насколько нам известно, еще не полностью применен к рекомендательным системам (RS), которые популярны для решения многих задач в академических и прикладных задачах. Наш вклад — это новое применение SCN в рекомендательной системе (RS) с использованием многомерных пучков и оценки результатов по сравнению с альтернативными передовыми и широко используемыми моделями, такими как “лёгкая” графовая сверточная сеть (LightGCN), модель нейронной графовой коллаборативной фильтрации (NGCF) и графовая сеть, построенная на алгоритме внимания (GAT). Мы показываем, что многомерная сверточная пучковая нейронная сеть (mdSCN) превосходит одномерную пучковая нейронную сеть со статистической значимостью 5% на двух из трех наборов данных с 10 тысячами рёбер. Диагональный mdSCN превосходит все другие модели, отличные от многомерных SCN, на тех же наборах данных. mdSCN особенно хорошо строит имбеддинги или векторные представления на более разреженных (значений <10%) наборах данных и таким образом представляет интерес для более “легкой” адаптации, позволяющей применять её для более крупных наборов данных, которые распространены в рекомендательных системах.