Zobraziť v EDS

Применение графовые нейронные сети и его модификации с обучения с подкреплением в системах рекомендаций

Uložené v:
Podrobná bibliografia
Názov: Применение графовые нейронные сети и его модификации с обучения с подкреплением в системах рекомендаций
Informácie o vydavateľovi: Zenodo, 2024.
Rok vydania: 2024
Predmety: AutoCF, Обучение с подкреплением, Графовые нейронные сети, Skip-connection, NDCG@20, LightGCL, MGDCF, Контрастивное обучение, XSimGCL, Двойная глубокая Q-сеть, Рекомендательные системы, Гибридная модель GNN-RL, GFormer
Popis: В статье рассматривается интеграция графовых нейронных сетей (GNN) и методов обучения с подкреплением (RL) для повышения эффективности рекомендательных систем. Цель исследования — разработка гибридной модели GNN-RL, превосходящей текущие лучшие решения в этой области. Были выбраны и усовершенствованы модели GNN: LightGCL, XSimGCL, GFormer, AutoCF и MGDCF с использованием метода "skip-connection" для улучшения их обучаемости. Эти модели были интегрированы с алгоритмом двойной глубокой Q-сети (DDQN), применяя векторные представления пользователей и продуктов как состояния в RL. Эксперименты на наборах данных Gowalla, Yelp и Amazon-books показали значительное улучшение рекомендаций (по метрике NDCG@20) по сравнению с базовыми моделями. Наиболее эффективными оказались модели MGDCF-Skip, XSimGCL-Skip и AutoCF. Это исследование подтверждает новизну интеграции GNN и RL, а также эффективность использования skip-connection, открывая перспективы для дальнейшего развития адаптивных рекомендательных систем.
Druh dokumentu: Article
Jazyk: Russian
DOI: 10.5281/zenodo.13953848
Rights: CC BY
Prístupové číslo: edsair.doi...........7b8a6e9e58d3ca393c5a285966260eb6
Databáza: OpenAIRE
Popis
Abstrakt:В статье рассматривается интеграция графовых нейронных сетей (GNN) и методов обучения с подкреплением (RL) для повышения эффективности рекомендательных систем. Цель исследования — разработка гибридной модели GNN-RL, превосходящей текущие лучшие решения в этой области. Были выбраны и усовершенствованы модели GNN: LightGCL, XSimGCL, GFormer, AutoCF и MGDCF с использованием метода "skip-connection" для улучшения их обучаемости. Эти модели были интегрированы с алгоритмом двойной глубокой Q-сети (DDQN), применяя векторные представления пользователей и продуктов как состояния в RL. Эксперименты на наборах данных Gowalla, Yelp и Amazon-books показали значительное улучшение рекомендаций (по метрике NDCG@20) по сравнению с базовыми моделями. Наиболее эффективными оказались модели MGDCF-Skip, XSimGCL-Skip и AutoCF. Это исследование подтверждает новизну интеграции GNN и RL, а также эффективность использования skip-connection, открывая перспективы для дальнейшего развития адаптивных рекомендательных систем.
DOI:10.5281/zenodo.13953848