ثورة في توصيات المعارف: تعلم التباين عبر الشبكات العصبونية متعددة المستويات

في السنوات الأخيرة، أصبح استخدام معلومات الحواف المرتبطة بالرسوم البيانية المعرفية مع فوائد الاتصالات ذات الترتيب الأعلى في الشبكات العصبونية الرسومية (Graph Neural Networks) اتجاهاً بحثياً مهماً في تطوير نظم التوصية. ومع ذلك، لا تزال الأساليب الحالية تواجه قيوداً بسبب نقص التصنيفات، وعدم كفاية تعلم هيكلية الرسوم البيانية، بالإضافة إلى الكيانات المزعجة في الرسم البياني المعرفي، مما يقلل من دقة التوصيات.

لتجاوز هذه القيود، يتم تقديم إطار عمل جديد للبيع التبايني متعدد المشاهد (Multi-View Graph Contrastive Learning). وتعزز الطريقة المقترحة تمثيلات المستخدمين من خلال تكرير الرسوم البيانية المعرفية متعددة المشاهد، حيث يسمح هذا بتحليل أكثر دقة للتفضيلات الخاصة بالمستخدمين بالنسبة للكيانات والعلاقات.

يجمع الشبكة معلومات الكيانات المجاورة لبناء تمثيلات معرفية جيدة للمنتجات. علاوة على ذلك، تم تصميم وحدة تعلم تبايني ذاتي الأشراف متعددة المستويات، التي تقوم بإجراء مقارنات عبر ثلاثة مستويات: المستوى بين الفئات (Inter-Level)، المستوى داخل الفئات (Intra-Level)، ومستوى التفاعلات (Interaction-Level). هذه التصميمية تعزز من قدرة النموذج على التعميم عبر العينات داخل الفئة، بينما تزيد من التمييز بين العينات من فئات مختلفة، مما يمكنه من نموذج ميزات متعددة الأبعاد بشكل أكثر فعالية.

لقد أجرينا تجارب واسعة على ثلاثة مجموعات بيانات عامة باستخدام إعدادات أساسية وتجريبية. وتظهر نتائج التجارب أن الإطار المقترح يتفوق باستمرار على الأساليب المتطورة الحالية. كما تؤكد دراسات الإزالة فعالية كل وحدة في النموذج المقترح.

هذا البحث يطرح آفاقاً جديدة في كيفية استخدام المعرفة والدروس المستفادة من الرسوم البيانية في تحسين أنظمة التوصية، فهل تتوقع أن تشهد هذه الأنظمة إقبالاً أكبر في المستقبل؟ شاركونا آراءكم في التعليقات!