Modèle innovant pour de meilleures recommandations d'articles

Les systèmes de recommandation sont des outils utilisés pour suggérer des articles aux utilisateurs en fonction de leurs préférences et de leur comportement. Ils jouent un rôle important dans des domaines comme le shopping en ligne, les plateformes d'apprentissage et les services de streaming. Une tâche courante pour ces systèmes est la recommandation basée sur les sessions, où le système prédit le prochain article avec lequel un utilisateur est susceptible d'interagir en fonction de sa session actuelle, qui est une série de choix faits par l'utilisateur dans un court laps de temps.

Cependant, les méthodes actuelles utilisant des réseaux neuronaux graphiques ont souvent du mal à recommander de nouveaux articles avec lesquels les utilisateurs n'ont pas encore interagi. Au lieu de cela, ces systèmes se concentrent généralement sur la suggestion d'articles déjà familiers aux utilisateurs, ce qui peut entraîner un manque de variété et limiter les choix des utilisateurs.

Cet article présente une nouvelle approche pour résoudre ce problème. Notre objectif est de créer un système capable de recommander efficacement de nouveaux articles en se basant sur les sessions d'utilisateur existantes, surmontant ainsi les limites des méthodes traditionnelles.

#Le Problème des Systèmes de Recommandation Actuels

La plupart des systèmes de recommandation utilisés aujourd'hui s'appuient sur les interactions passées d'un utilisateur pour suggérer de nouveaux articles. Ils analysent généralement une session - la séquence d'articles avec laquelle un utilisateur a interagi - puis recommandent des articles de cette session. C'est bien pour suggérer des articles familiers, mais ça devient problématique quand il s'agit d'options nouvelles que l'utilisateur n'a pas encore vues.

Quand un utilisateur cherche un produit ou un service, il ne veut souvent pas être limité aux vieilles options. Par exemple, si quelqu'un achète souvent une certaine boisson gazeuse, il pourrait être intéressé par l'essai d'une autre marque. Le problème, c'est que les systèmes existants ne peuvent pas recommander de nouveaux produits efficacement, car ils manquent de données d'interaction pour ces articles, ce qui conduit à une expérience utilisateur plate souvent appelée "cocon d'information".

Le défi est de construire un système capable de faire des recommandations pour des articles que l'utilisateur n'a jamais vus ni avec lesquels il n'a jamais interagi. C'est là que le concept de Recommandation de Nouveaux Articles Basée sur les Sessions GNN (GSNIR) entre en jeu.

#GSNIR : Une Nouvelle Approche pour les Recommandations

GSNIR vise à prédire quels nouveaux articles un utilisateur est susceptible d'interagir, en se basant sur ses interactions précédentes. Le modèle prend en compte non seulement les articles avec lesquels l'utilisateur a interagi, mais utilise également des informations supplémentaires sur les nouveaux articles pour faire des recommandations intelligentes.

Pour ce faire, nous proposons un modèle utilisant deux composants principaux : comprendre l'Intention de l'utilisateur et raisonner sur les nouveaux articles. Cette approche duale aide à obtenir des aperçus sur ce que l'utilisateur pourrait aimer et comment représenter les nouveaux articles d'une manière qui permet des recommandations efficaces.

#Comprendre l'Intention de l'Utilisateur

L'intention de l'utilisateur est essentielle pour faire des recommandations précises. Elle représente ce qui intéresse actuellement un utilisateur en fonction de ses choix récents. Notre modèle inclut une méthode pour apprendre cette intention utilisateur en considérant deux aspects : les articles eux-mêmes et leurs catégories plus larges.

1. Mécanisme d'Attention : Cette partie du modèle prête plus attention aux choix récents de l'utilisateur, qui ont un impact plus important sur ses préférences actuelles. Elle analyse les articles avec lesquels l'utilisateur a interagi récemment pour évaluer ses intérêts actuels.

2. Distribution des Données : Nous tenons également compte de la manière dont les choix sont répartis entre différentes catégories. Par exemple, si un utilisateur achète souvent des snacks, il peut être enclin à explorer de nouveaux snacks plutôt que des articles non liés comme des boissons. En combinant ces perspectives, nous pouvons obtenir une image plus claire de ce que l'utilisateur préfère.

#Raisonner sur les Nouveaux Articles

Le deuxième composant de GSNIR se concentre sur la manière dont les nouveaux articles sont représentés. Comme les nouveaux articles n'ont pas de données d'interaction antérieures, nous ne pouvons pas utiliser des méthodes traditionnelles pour en obtenir des informations. Au lieu de cela, nous regardons les attributs associés à ces nouveaux articles pour créer des représentations raisonnables.

En utilisant les attributs de ces nouveaux articles, comme les noms de marque, les types de produits et les points de prix, nous pouvons générer un embedding, qui est une représentation numérique de l'article. Cela permet au modèle de comparer l'intention utilisateur avec de nouveaux articles même sans données d'interaction antérieures.

#La Structure du Modèle

Le modèle proposé, connu sous le nom de NirGNN, est construit sur plusieurs composants clés :

1. Construction du Graphe de Session : Nous créons un graphe de session où chaque article avec lequel un utilisateur interagit est représenté comme un nœud. Les connexions entre ces nœuds illustrent la séquence des interactions. Chaque arête de ce graphe est pondérée en fonction de la fréquence à laquelle les articles sont choisis ensemble.

2. Réseaux d'Intention d'Utilisateur : La stratégie de compréhension d'intention duale implique deux réseaux qui analysent les préférences des utilisateurs du point de vue des interactions récentes de l'utilisateur et de la catégorisation plus large des articles.

3. Réseau de Raisonnement sur les Nouveaux Articles : Cette partie du modèle utilise les attributs des nouveaux articles pour générer leurs embeddings, permettant au modèle d'évaluer les nouveaux articles potentiels par rapport à l'intention de l'utilisateur.

4. Scoring des Recommandations : Enfin, le modèle calcule un score pour chaque nouvel article en fonction de la manière dont il correspond à l'intention de l'utilisateur déterminée. Les articles avec des scores plus élevés sont recommandés.

#Évaluation du Modèle

Pour confirmer l'efficacité de NirGNN, nous avons mené des expériences en utilisant deux ensembles de données distincts : un d'Amazon et l'autre de Yelp. Les deux ensembles de données ont fourni des données d'interaction utilisateur riches qui nous ont permis d'évaluer la performance du modèle dans la recommandation de nouveaux articles.

#Configuration Expérimentale

Dans nos expériences, nous avons mis de côté une partie des données d'interaction utilisateur pour créer un ensemble d'entraînement et un ensemble de test. L'ensemble d'entraînement a été utilisé pour former le modèle NirGNN, tandis que l'ensemble de test a évalué sa performance. Nous avons comparé NirGNN à plusieurs modèles de référence existants pour évaluer sa performance dans la recommandation de nouveaux articles.

#Résultats et Insights

Les métriques d'évaluation que nous avons utilisées incluaient la Précision et le Rang Réciproque Moyen (MRR). La Précision mesure combien des articles recommandés étaient pertinents, tandis que le MRR évalue à quel point les articles pertinents étaient bien classés sur la liste des recommandations.

Les résultats ont montré que NirGNN surpassait significativement les méthodes de recommandation traditionnelles basées sur GNN sur les deux ensembles de données. Le modèle a obtenu des scores de précision plus élevés, ce qui signifie qu'il était meilleur pour suggérer des articles que les utilisateurs aimaient réellement.

#Conclusions Clés

Les expériences ont révélé plusieurs résultats importants :

• L'Intention de l'Utilisateur Compte : La capacité de comprendre l'intention de l'utilisateur a considérablement amélioré la qualité des recommandations.

• Utilisation des Attributs : L'utilisation des attributs des articles pour raisonner sur les nouveaux articles a permis au modèle de générer des recommandations utiles même sans données d'interaction antérieures.

• Applicabilité dans le Monde Réel : Une étude de cas utilisant un ensemble de données commercial a démontré que NirGNN pouvait être efficacement mis en œuvre dans des scénarios réels, fournissant des recommandations interprétables et exploitables.

#Conclusion

Les systèmes de recommandation jouent un rôle crucial dans l'amélioration des expériences utilisateurs sur diverses plateformes. Les approches traditionnelles échouent souvent à suggérer de nouveaux articles que les utilisateurs n'ont pas encore engagés, menant à un ensemble de recommandations étroit.

Le modèle proposé NirGNN comble cette lacune en combinant la compréhension de l'intention des utilisateurs avec une méthode novatrice pour raisonner sur de nouveaux articles. Cette approche duale aboutit à une meilleure qualité de recommandation et une expérience utilisateur plus engageante.

À travers des évaluations rigoureuses sur des ensembles de données réelles, NirGNN a démontré une performance supérieure par rapport aux modèles existants, suggérant qu'il représente une solution prometteuse pour le défi GSNIR. À l'avenir, ce modèle peut être affiné et adapté pour diverses applications, garantissant aux utilisateurs un accès à un éventail plus large d'options qui correspondent à leurs intérêts en évolution.