Core Concepts
Direkte Nutzung der Bewertungsordinalität in GNN verbessert die Genauigkeit der Empfehlungen.
Abstract
Einleitung
Matrixvervollständigung in Empfehlungssystemen
Graph-Neuronale Netzwerke (GNN) für Bewertungsmatrix
Herausforderung: Berücksichtigung der Bewertungsordinalität
Methodik
Problemformulierung und Notationen für Matrixvervollständigung
ROGMC-Methode zur Nutzung der Bewertungsordinalität
Kumulative Präferenzpropagation und Interessenregulierung
Bilinearer Decoder für Bewertungsvorhersage
Modelltraining mit Verlustfunktionen
Experimente
Datensätze: ML-100K, ML-1M, Eachmovie
Bewertungsfraktionen für Experimente
Vergleich mit Baselines und ablativen Studien
Analyse der Ergebnisse und Hyperparameter-Effekte
Schlussfolgerung
Direkte Modellierung der Bewertungsordinalität verbessert Empfehlungsgenauigkeit
ROGMC übertrifft bestehende Strategien in der Matrixvervollständigung
Stats
"ROGMC erreicht die beste Leistung unter allen Wettbewerbern."
"Die besten Hyperparameter liegen bei 𝜆 ≈ 1.0 und 𝛼 ≈ 0.5."
Quotes
"Wir erwarten, dass unsere Ergebnisse weitere Forschungen in diese Richtung anregen können."