Conceptos Básicos
NFARec maximiert die Nutzung von negativem Feedback in sequenziellen und strukturellen Mustern, um Benutzerrepräsentationen zu verbessern und genauere Empfehlungen zu liefern.
Resumen
Der Artikel stellt ein negatives Feedback-bewusstes Empfehlungsmodell (NFARec) vor, das negative Feedback in sequenziellen und strukturellen Mustern nutzt, um Benutzerrepräsentationen zu verbessern und genauere Empfehlungen zu liefern.
Sequenzielle Repräsentationslernung:
- NFARec verwendet einen Transformer-basierten Ansatz, um die Auswirkungen vergangener Interaktionen auf zukünftige Interaktionen zu modellieren.
- Als zusätzliche Aufgabe lernt NFARec die Vorhersage der Sentiment-Polarität des nächsten Feedbacks, um die Beziehungen zwischen den vom Benutzer interagierten Elementen besser zu verstehen.
Strukturelle Repräsentationslernung:
- NFARec verwendet einen zweistufigen Hypergraph-Convolutions-Ansatz, um die Feedback-Beziehungen zwischen Benutzern und Elementen zu nutzen.
- In der ersten Phase werden Hypergraph-Convolutions verwendet, um Korrelationen über paarweise Interaktionen hinaus zu erfassen.
- In der zweiten Phase wird eine feedback-basierte Aggregation verwendet, um die Informationsausbreitung während der Convolution über einen optimalen Pfad zu steuern.
Die umfangreichen Experimente zeigen, dass NFARec die Leistung konkurrierender Baselines übertrifft, indem es negative Feedback-Informationen effektiv nutzt.
Estadísticas
Die durchschnittliche Anzahl der Interaktionen pro Benutzer beträgt 39,5 für Yelp 2023, 8,9 für Beauty, 64,3 für Books, 41,8 für Recipes und 165,6 für MovieLens.
Der Anteil positiver und negativer Samples beträgt 72,4%/27,6% für Yelp 2023, 80,2%/19,8% für Beauty, 80,6%/19,4% für Books, 82,5%/17,5% für Recipes und 73,5%/26,5% für MovieLens.
Citas
Keine relevanten Zitate gefunden.