هيكل قائم على Wasserstein GAN لتوليد مجموعات بيانات اصطناعية للتصفية التعاونية

الملخص حاليًا، تعيد التطبيقات التوليدية تشكيل مجالات مختلفة، مثل الفن، والرؤية الحاسوبية، ومعالجة الكلام، واللغة الطبيعية. تعتبر منطقة تخصيص علوم الكمبيوتر ذات صلة متزايدة حيث تستخدم شركات كبيرة مثل Spotify وNetflix وTripAdvisor وAmazon وGoogle أنظمة التوصية. لذلك، من المنطقي أن نتوقع أن يتم استخدام التعلم التوليدي بشكل متزايد لتحسين أنظمة التوصية الحالية. في هذه الورقة، تم اقتراح طريقة لتوليد مجموعات بيانات اصطناعية لأنظمة التوصية يمكن استخدامها لاختبار أداء التوصيات ودقة شركة ما في سيناريوهات محاكاة مختلفة، مثل الزيادة الكبيرة في أحجام مجموعاتها، وعدد المستخدمين، أو عدد العناصر. على وجه التحديد، تم اقتراح تحسين في الطريقة المتطورة من خلال تطبيق مفهوم Wasserstein على الشبكة التنافسية التوليدية لأساليب أنظمة التوصية (GANRS) لتوليد مجموعات بيانات اصطناعية. تظهر النتائج أن طريقتنا المقترحة تقلل من تدهور الوضع، وتزيد من أحجام مجموعات البيانات الاصطناعية، وتحسن توزيعات تقييماتها، وتحافظ على القدرة لاختيار العدد المطلوب من المستخدمين، وعدد العناصر، وحجم مجموعة البيانات الابتدائي. كل من معمارية GANRS الأساسية ومعمارية WGANRS العميقة القائمة على Wasserstein المقترحة تولد ملفات تعريف مزيفة من تمثيلات كثيفة وقصيرة ومستدامة في الفضاء الكامن بدلاً من العينات الأولية النادرة والكبيرة والمنفصلة التي استخدمتها نماذج GAN السابقة كمصدر. لتمكين إعادة الإنتاج، يتم توفير أكواد Python وKeras في مستودعات مفتوحة جنبًا إلى جنب مع مجموعات البيانات الاصطناعية التي تم إنشاؤها لاختبار المعمارية المقترحة ( https://github.com/jesusbobadilla/ganrs.git ). ملخص بياني