Enhancing graph neural network based sequential recommender model with knowledge graph embeddings

Çevrimiçi etkileşimlerin ve kullanıcı tarafından üretilen verilerin artışı, öneri sistemleri için yeni zorluklar ve fırsatlar sunmuştur. Geleneksel öneri yaklaşımları, statik kullanıcı-öğe özelliklerine dayanır ve zamansal dinamikleri hesaba katamaz, bu da değişen tercihlere uyum sağlama yeteneklerini sınırlar. Sıralı öneri modelleri, eylem dizilerinden öğrenerek bir sonraki öğeyi tahmin etme sorununu ele alır; ancak, büyük, çeşitli ve güncel verilerin eksikliği performanslarını sınırlar. Bu tez, açık kaynaklı bilgiyi bilgi çizgeleri aracılığıyla, bilgi çizge gömülerini kullanarak çizge sinir ağı tabanlı sıralı öneri modellerine entegre etmeyi araştırmaktadır. Bu entegrasyon, kullanıcı-öğe etkileşimlerinde hem anlamsal hem de sıralı desenlerin daha iyi yakalanmasını sağlamaktadır. Wikiveri gibi açık bağlantılı veri kaynaklarından elde edilen gömülerden yararlanarak, öğe özellikleri zenginleştirilmekte, özellik seti genişletilmekte ve kullanıcı tercihlerini daha kapsamlı bir şekilde anlamak mümkün olmaktadır. Movielens veri seti temel referans olarak kullanılarak, dört çeviri tabanlı bilgi çizge gömü modeli sıralı öneri modeline ayrı ayrı entegre edilmiş ve öneri doğruluğuna etkileri değerlendirilmiştir. Hit@K ve NDCG@K metrikleriyle yapılan çevrimdışı değerlendirmeler, bu yaklaşımın hem anlamsal bağlamı hem de sıralı davranışları etkili bir şekilde yakalayarak önerilerin alaka düzeyini ve kişiselleştirmesini geliştirdiğini ortaya koymuştur. Bulgular, açık kaynaklı bilgi tabanlarının öneri sistemlerine dahil edilmesinin değerini vurgulamakta ve bu tür zenginleştirilmiş veri kaynaklarının daha doğru ve anlamlı öneriler sunduğunu göstermektedir. Bu çalışma, dışsal bilgiyle güçlendirilmiş kullanıcı ve öğe temsillerinin öneri modellerini nasıl iyileştirdiğini göstermektedir.