مدل سازی گروه کاربری با پویایی یادگیری تطبیقی

7 سپتامبر 2023 -توسط انتشارات دانشگاه Tsinghua

نمودار جریانی که ورودی‌های گروه کاربری بلندمدت و کوتاه‌مدت را نشان می‌دهد تا ترجیحات شخصی کاربر را برای تأثیرگذاری بر پیشنهادات پیش‌بینی آینده نشان دهد. اعتبار: مجله محاسبات اجتماعی، انتشارات دانشگاه Tsinghua

اشتراک‌گذاری اطلاعات می‌تواند منجر به پیش‌بینی‌های بهتر و دقیق‌تر زمانی شود که به مکانیسم‌های شبکه عصبی مربوط می‌شود و با استفاده از اطلاعات به اشتراک گذاشته شده در میان گروه‌هایی از افراد همفکر، می‌توان فناوری توصیه‌های بعدی را نسبت به روش‌های مرسوم فعلی بهبود بخشید.

فناوری پیش‌بینی ممکن است جادویی به نظر برسد، اما در واقعیت، شامل مدل‌هایی است که به طور مدبرانه ساخته شده‌اند که نیاز به بهبود مستمر دارند تا با خواسته‌های همیشه در حال تغییر ترجیحات و نیازهای کاربر سازگاری داشته باشند. محققان علاقه مند به بهبود سیستم های توصیه کننده مبتنی بر جلسه (SBRS) به دنبال پیش بینی های دقیق تر نه تنها بر اساس علایق کاربر بلکه بر اساس روابط کاربران همفکر برای گروه بندی علایق مشابه با یکدیگر هستند.

این مدل جلسات و علایق بلندمدت و کوتاه‌مدت را در نظر می‌گیرد تا یک مدل پیش‌بینی دقیق و بصری ایجاد کند که از مدل‌های معمولی و موجود بهتر عمل می‌کند و علاوه بر پیش‌بینی نیاز به ایجاد گروه‌های جدید به‌طور خودکار بر اساس علایق و نیازهای در حال تحول هدف کاربران عمل می کند.

محققان نتایج خود را در مجله محاسبات اجتماعی منتشر کردند.

مدل توسعه‌یافته مبتنی بر گروه‌های کاربری بلندمدت و کوتاه‌مدت (LSUG) است که می‌تواند ایده‌ای نسبتاً مناسب از ترجیحات کاربر و مواردی که در آینده بالاترین احتمال علاقه را دارند، ارائه دهد.

نمونه‌ای از دو رویکرد مختلف مدل‌سازی تأثیرات گروه‌بندی: مکانیسم گروه‌بندی پویا و مکانیسم گروه‌بندی استاتیک معمولی. کاربر مرکزی متعلق به دو گروه پنهان است که با قاب های نارنجی و سبز نشان داده می شود. در مکانیسم گروه‌بندی استاتیک مرسوم، گروه‌ها به طور مساوی بر کاربر تأثیر می‌گذارند و بنابراین موارد بازدید شده با مکعب نارنجی و استوانه سبز باید بدون تفاوت توصیه شوند. در مکانیسم گروه‌بندی پویا، با دو گروه متفاوت رفتار می‌شود زیرا کاربر مرکزی گروه خود را از سبز به نارنجی تغییر داده است. گروه‌های به‌روز ممکن است تأثیر بیشتری روی او بگذارند، بنابراین مواردی که با مکعب نارنجی نشان داده می‌شوند بیشتر با سلیقه او مطابقت دارند. اعتبار: مجله محاسبات اجتماعی (2023). DOI: 10.23919/JSC.2023.0013

ننججون ژو، محقق و نویسنده، گفت: “در تمام این رویکردها، نمایش‌های کاربر بر اساس جلسات آنها به طور مستقل خلاصه می‌شود و باعث می‌شود مدل‌های آموخته شده بر اساس هر کاربر ساخته شوند. هیچ اشتراک اطلاعات صریحی بین مدل‌های کاربران وجود ندارد. از مطالعه افزودن به اشتراک گذاری اطلاعات بین کاربرانی که نشان داده اند علایق مشابهی دارند، مجموعه وسیع تری از اطلاعات برای یادگیری ایجاد می کند و بنابراین، می توان یک مدل توصیه مورد بعدی پیش بینی دقیق تری ایجاد کرد.

سیستم‌های توصیه‌گر مبتنی بر جلسه به طور فزاینده‌ای برای توصیه‌های مورد بعدی اعمال می‌شوند. با این حال، رویکردهای موجود اطلاعات جلسه هر کاربر را به طور مستقل رمزگذاری می‌کنند و ارتباط متقابل بین کاربران را در نظر نمی‌گیرند. این کار بر اساس این شهود است که گروه‌های پویا از همفکران ژو گفت: کاربران در طول زمان وجود دارند.

با استفاده از روابط بین کاربران با علایق مشابه، کاربر هدف را می توان به گروه هایی اختصاص داد که احتمال تداخل یا علایق مشترک دارند. سپس نمایش این گروه‌ها به‌گونه‌ای وزن می‌شود که احتمال اینکه آیتم پیش‌بینی‌شده بعدی مورد بازدید کاربر باشد، تخمین زده می‌شود.

یکی از کاستی‌های روش‌های مرسوم که محققین قصد داشتند به آن بپردازند، تکامل علایق مردم و امکان تشکیل گروه‌های جدید است. در مدل‌های دیگر، این کار باید به صورت دستی انجام شود که هزینه و زمان بیشتری دارد. در عوض، تیم محققان تصمیم گرفتند یک واحد یادگیری تطبیقی را در مدل ادغام کنند تا به طور خودکار تعیین کنند که آیا نیازی به ایجاد یک گروه جدید وجود دارد یا خیر، و اگر چنین است، آن گروه جدید را ایجاد کنند و بیاموزند که این گروه جدید چه علایقی را شامل می شود .

افزودن این پویایی یادگیری تطبیقی، سطح بالاتری از احتمال را ایجاد می‌کند که پیش‌بینی مورد بعدی هنگام در نظر گرفتن معیارهای خاص برای کاربر هدف مفید و مورد علاقه باشد. با این حال، مشخص شد که در نقطه‌ای وجود دارد که واحد یادگیری تطبیقی زمانی که آیتم‌ها همه با هم با استفاده از متریک ناحیه زیر منحنی (AUC) رتبه‌بندی می‌شوند، به جای استفاده از نمونه‌های مثبت که در رتبه‌بندی شخصی بیزی یافت می‌شود، به اندازه‌ای روش BPR مؤثر نیست.

در حالی که پویایی یادگیری تطبیقی با ایجاد گروه‌های جدید عملکرد و انعطاف‌پذیری را اضافه می‌کند، توانایی حذف یا کاهش گروه‌هایی که دیگر مرتبط نیستند را ندارد. این حوزه ای است که محققان مایلند در آینده روی آن کار کنند تا گروه های کاربری را ساده تر نگه دارند و برای تکامل علایق کاربر قابل استفاده باشند.

در همین راستا، محققان همچنین می‌خواهند از یادگیری متضاد برای ایجاد تفاوت‌های صریح بین گروه‌های کاربر استفاده کنند تا بازنمایی مطابق با علایق کاربر باشد.