Resumen

Debido a la influencia de la información del contexto en el comportamiento del usuario, el sistema de recomendación consciente del contexto (CARS) ha atraído una gran atención en los últimos años. El sistema de recomendación consciente del contexto más avanzado mapea las características originales de varios campos en un espacio oculto compartido y luego simplemente lo conecta a una red neuronal profunda (DNN) u otras redes especialmente diseñadas. Sin embargo, para diferentes áreas, la capacidad de modelar interacciones complejas de forma suficientemente flexible y explícita está limitada por la simple combinación no estructurada de campos de características. Por lo tanto, es difícil obtener resultados precisos de la predicción del comportamiento del usuario. En este trabajo, se utiliza una estructura gráfica para establecer la interacción entre el contexto y los usuarios/artículos. A través del modelado del comportamiento del usuario, podemos explorar las preferencias de los usuarios en diferentes entornos contextuales, con el fin de hacer recomendaciones personalizadas para los usuarios. En concreto, construimos un gráfico de interacciones contexto-usuario y contexto-artículo por separado. En el gráfico de interacciones, cada nodo está compuesto por un campo de características del usuario, un campo de características del artículo y un campo de características de diferentes contextos. Los diferentes campos de características pueden interactuar a través de aristas. Por lo tanto, la tarea de modelar la interacción de características puede transformarse en modelar la interacción de nodos en el gráfico correspondiente. Para ello, se diseña un modelo innovador denominado modelo de red neural de grafos consciente del contexto (CA-GNN). Además, para obtener resultados de recomendación más precisos y eficientes, en primer lugar, utilizamos de forma innovadora el mecanismo de atención para mejorar la interpretabilidad de la CA-GNN; en segundo lugar, utilizamos de forma innovadora el grado de características de fatiga física que nunca se ha utilizado en los CARS tradicionales como información de características contextuales críticas en nuestra CA-GNN. Simulamos los conjuntos de datos Food y Yelp. Los resultados experimentales muestran que CA-GNN es mejor que otros métodos en términos de error cuadrático medio (RMSE) y error medio absoluto (MAE).

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:sistema de recomendaciones conscientes, gnn, campo de características, comportamiento del usuario, combinación simple no estructurada, términos de raíz, campo de características de los artículos, resultados de recomendaciones eficientes, campo de características del usuario, entorno de contexto diferente
• Keywords:aware recommendations system, gnn, features field, user behavior, simple unstructured combination, terms of root, items features field, efficient recommendations results, user features field, different context environment