Улучшение точности рекомендательных систем с помощью гибридной модели, объединяющей графовые нейронные сети и методы обучения с подкреплением
Annotatsiya
В данной статье исследуется интеграция графовых нейронных сетей (GNN) и методов обучения с подкреплением (RL) для повышения эффективности рекомендательных систем. Целью исследования является разработка гибридной модели GNN-RL, способной превзойти существующие лучшие показатели в области рекомендаций. Для достижения этой цели были проанализированы и выбраны три передовые модели GNN: LightGCL, XSimGCL, GFormer, AutoCF и MGDCF. Эти модели были усовершенствованы с применением метода "skip-connection", что позволило повысить их способность к обучению и запоминанию информации. Улучшенные модели интегрированы с алгоритмом двойной глубокой Q-сети (DDQN) для создания гибридной системы, использующей векторные представления пользователей и продуктов в качестве состояний в RL. Экспериментальная оценка проведена на трех реальных наборах данных: Gowalla, Yelp и Amazon-books. Результаты демонстрируют значительное улучшение качества рекомендаций, измеряемого метрикой NDCG@20, по сравнению с базовыми моделями. Наиболее эффективными оказались модели MGDCF-Skip, XSimGCL-Skip и AutoCF, показавшие лучшие показатели на соответствующих наборах данных. Исследование подтверждает научную новизну предложенной интеграции GNN и RL, а также эффективность применения skip-connection для повышения производительности моделей. Полученные результаты открывают новые перспективы для дальнейших исследований и применения гибридных моделей в различных областях, требующих точных и адаптивных рекомендаций.
Hali tarjima qilinmagan