Incorporating variants of graph neural networks in recommender system

Son yıllarda çizge sinir ağlarının (GNN) öneri sistemlerinde kullanımı hızla artmaktadır. GNN'ler, kullanıcılar ve öğeler arasındaki karmaşık ilişkileri güçlü bir biçimde temsil etme yeteneğine sahiptir. Ancak mevcut GNN sistemleri genellikle yalnızca derecelendirme ve inceleme verilerine odaklanmakta, bu da grafikteki yapısal ve konumsal bilgilerin yanı sıra zaman içinde değişebilen kullanıcı tercihlerinin kapsamlı bir şekilde modellenmesini engellemektedir. Bu çalışmada, ileri düzey gömme teknikleri, konumsal kodlama, topolojik özellik çıkarımı ve transfer öğrenimi stratejilerini entegre eden, gelişmiş bir uçtan uca Graph Neural Network (SPT-GNN) mimarisi önerilmektedir. IMDb veri kümesi üzerinde ön eğitimli bir kodlayıcı, bilginin transferini sağlayarak domain farklılıklarını kapatmakta ve tahmin doğruluğunu artırmaktadır. Önerilen model, hem lokal hem de global düzeyde kullanıcı-öğe etkileşimlerini ve zamansal-dinamik kullanıcı tercihlerini etkili biçimde öğrenmektedir. Movielens veri kümesinde gerçekleştirilen kapsamlı deneysel analizlerde SPT-GNN modeli, karşılaştırmalı baz modellerin (Collaborative Filtering, Content-based Filtering, Matrix Factorization, Vanilla GNN, BIVAECF, RecVAE) üzerinde üstün performans göstermiş; doğruluk, kesinlik (precision), geri çağırma (recall) ve alan altında kalan eğri (AUC) metriklerinde anlamlı artışlar sağlamıştır. Bu bulgular, nitelik çıkartımı, gelişmiş gömme teknikleri ve transfer öğreniminin bir araya getirilmesinin, öneri sistemlerinin doğruluğunu, kapsamını ve kullanıcı deneyimini geliştirmede güçlü bir yaklaşım olduğunu ortaya koymaktadır. Ayrıca bu çalışma, GNN tabanlı öneri sistemleri için yapılandırılmış ve zamansal bilgiyi etkin biçimde entegre eden bir model tasarımına katkıda bulunarak alandaki geleceğe yönelik araştırmalara değerli bir zemin sunmaktadır.