Разработка гибридной модели рекомендательной системы на базе графовых нейронных сетей и признакового описания пользователей и сообществ

В условиях роста конкуренции на рынке социальных сетей возрастает потребность в инструментах персонализированной рекомендации контента, способных повысить вовлеченность пользователей. Традиционные подходы к построению рекомендательных систем, основанные на коллаборативной фильтрации или контентной фильтрации, имеют ограничения в задачах рекомендации сообществ, где важны как структура социальных связей, так и семантическое описание групп. Данная статья направлена на исследование гибридной модели рекомендательной системы, сочетающей графовые нейронные сети и признаковое описание пользователей и сообществ. Модель интегрирует информацию о взаимодействиях пользователей с группами в виде графа, текстовые эмбеддинги описаний сообществ, полученные с помощью трансформерных моделей, а также числовые и категориальные признаки групп и пользователей. Результаты исследования демонстрируют существенное преимущество предложенного подхода по сравнению с базовыми методами. Проведен сравнительный анализ модели с рандомными рекомендациями и рекомендациями самых популярных групп. Он показывает улучшение метрики MAP@3 в 3,89 раза относительно рекомендации популярных групп и в 4045,9 раз относительно случайной рекомендации. Исследование базируется на данных социальной сети ОК, включающих информацию о 159 685 пользователях и 54 425 сообществах.

1. Koren Y., Bell R., Volinsky Ch. Matrix Factorization Techniques for Recommender Systems. Computer. 2009;42(8):30–37. https://doi.org/10.1109/MC.2009.263

2. Guo H., Tang R., Ye Y., et al. DeepFM: A Factorization-Machine based Neural Network for CTR Prediction. In: IJCAI '17: Proceedings of the 26th International Joint Conference on Artificial Intelligence, 19–25 August 2017, Melbourne, Australia. International Joint Conferences on Artificial Intelligence; 2017. P. 1725–1731. https://doi.org/10.24963/ijcai.2017/239

3. Wu Z., Pan Sh., Chen F., et al. A Comprehensive Survey on Graph Neural Networks. IEEE Transactions on Neural Networks and Learning Systems. 2021;32(1):4–24. https://doi.org/10.1109/TNNLS.2020.2978386

4. Zhou G., Zhu X., Song Ch., et al. Deep Interest Network for Click-Through Rate Prediction. In: KDD '18: Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 19–23 August 2018, London, UK. New York: ACM; 2018. P. 1059–1068. https://doi.org/10.1145/3219819.3219823

5. Wang X., He X., Wang M., et al. Neural Graph Collaborative Filtering. In: SIGIR '19: Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval, 21–25 July 2019, Paris, France. New York: ACM; 2019. P. 165–174. https://doi.org/10.1145/3331184.3331267

6. He X., Deng K., Wang X., et al. LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation. In: SIGIR '20: Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval, 25–30 July 2020, Virtual Event. New York: ACM; 2020. P. 639–648. https://doi.org/10.1145/3397271.3401063

7. Fan W., Ma Y., Li Q., et al. Graph Neural Networks for Social Recommendation. In: WWW '19: The World Wide Web Conference, 13–17 May 2019, San Francisco, CA, USA. New York: ACM; 2019. P. 417–426. https://doi.org/10.1145/3308558.3313488

8. Devlin J., Chang M.-W., Lee K., et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In: NAACL-HLT 2019: Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 02–07 June 2019, Minneapolis, MN, USA. Association for Computational Linguistics; 2019. P. 4171–4186. https://doi.org/10.18653/v1/N19-1423

9. Rendle S., Freudenthaler Ch., Gantner Z., et al. BPR: Bayesian Personalized Ranking from Implicit Feedback. In: UAI '09: Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence, 18–21 June 2009, Montreal, QC, Canada. Corvallis: AUAI Press; 2009. P. 452–461.

10. Ying R., He R., Chen K., et al. Graph Convolutional Neural Networks for Web-Scale Recommender Systems. In: KDD '18: Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 19–23 August 2018, London, UK. New York: ACM; 2018. P. 974–983. https://doi.org/10.1145/3219819.3219890