Graph-Neuronale Netzwerke zur Empfehlung unter Nutzung multimodaler Informationen

Empfehlungssysteme fungieren als Filteralgorithmen, um Nutzern Artikel bereitzustellen, die ihren Interessen entsprechen könnten, basierend auf den geäußerten Präferenzen und den Eigenschaften der Artikel. Bis heute stellen das kollaborative Filterparadigma sowie Techniken des tiefen Lernens zur Erlernung hochqualitativer Repräsentationen von Nutzern und Artikeln den de facto Standard für personalisierte Empfehlungen dar und zeigen bemerkenswerte Genauigkeit bei den Empfehlungen. Dennoch bleibt das Empfehlungsverfahren eine hochgradig herausfordernde Aufgabe. Unter den am meisten diskutierten offenen Fragen in der Gemeinschaft betrachtet diese Dissertation zwei algorithmische und konzeptionelle, nämlich: (i) die unerklärliche Natur der Nutzerpräferenzen, insbesondere wenn sie in Form von impliziten Rückmeldungen auftreten; (ii) die effektive Ausnutzung der kollaborativen Informationen beim Entwerfen und Trainieren von Empfehlungsmodellen. In Bereichen wie Mode, Essen und Medieninhaltsempfehlungen kann das flache Profil des Artikels durch die multimodalen Eigenschaften, die die Artikel beschreiben, verbessert werden Malitesta et al., 2023. Angetrieben von diesen Annahmen wenden wir im ersten Teil dieser Dissertation multimodale Deep-Learning-Strategien für multimediabasierte Empfehlungen an; das Ziel ist es, Empfehlungsalgorithmen zu studieren und zu entwerfen, die auf den Prinzipien der Multimodalität basieren, um möglicherweise die Eigenschaften jedes Artikels mit den vom Nutzer geäußerten impliziten Präferenzen abzugleichen Deldjoo et al., 2022, und somit das (i)-Problem anzugehen. Neuere kollaborative Filteransätze profilieren Nutzer und Artikel durch Einbettungsvektoren im latenten Raum. Solche Modelle ignorieren jedoch strukturelle Eigenschaften, die natürlich in den Interaktionsdaten zwischen Nutzern und Artikeln kodiert sind. Tatsächlich sind Empfehlungsdatensätze leicht unter der Topologie eines bipartiten und ungerichteten Graphen beschreibbar, wobei Nutzer und Artikel die Graphenknoten sind, die über mehrere Distanzsprünge verbunden sind. In diesem Zusammenhang kann die Anwendung von Graph-Neuronalen Netzwerken, neueren Techniken des tiefen Lernens, die speziell für das Lernen aus nicht-euklidischen Daten entwickelt wurden, eine verfeinerte Repräsentation von Nutzern und Artikeln bieten, um nahe und fern liegende Beziehungen in den Nutzer-Artikel-Graphen zu erkunden Anelli et al., 2023b. Tatsächlich ist dies eine mögliche Lösung, um die kollaborativen Informationen auszunutzen, die effektiv innerhalb des Nutzer-Artikel-Graphen propagiert werden, und somit das (ii)-Problem anzugehen. Zusammenfassend zielt diese Dissertation darauf ab, die beiden Familien von Empfehlungsstrategien zu verbinden, indem sie Graph-Neuronale Netzwerke und multimodale Informationsdaten Anelli et al., 2022 nutzt. Dabei werden zahlreiche Mikroaspekte innerhalb der beiden oben genannten Makrobereiche untersucht. Tatsächlich ist die Dissertation ein systematischer Compendium sorgfältiger Analysen bezüglich unter anderem Reproduzierbarkeit, neuer Bewertungsdimensionen Anelli et al., 2023a und Aufgaben/Szenarien, die die Empfehlung ergänzen. Ausgezeichnet von: Politecnico di Bari, Bari, Italien am 30. Januar 2024. Betreut von: Tommaso Di Noia. Verfügbar unter: https://hdl.handle.net/11589/264941.