Autoencoder Gráfico Variacional Mejorado Semánticamente para Recomendación de Películas: Un Enfoque Innovador que Integra Información de Resúmenes de Tramas y Estrategia de Aprendizaje Contrastivo

Este estudio introduce un novedoso sistema recomendador de películas que utiliza una arquitectura de Autoencoder Gráfico Variacional Mejorado Semánticamente para Recomendación de Películas (SeVGAER). El sistema aprovecha información adicional de resúmenes de tramas de películas extraídos de internet, transformados en vectores semánticos a través de un modelo de lenguaje grande. Estos vectores sirven como características complementarias para los nodos de películas en el recomendador basado en SeVGAER. El sistema incorpora una estructura de codificador-decodificador, operando en un gráfico bipartito usuario-película, y emplea capas convolucionales GraphSAGE con agregadores modificados como el codificador para extraer representaciones latentes de los nodos, y un Perceptrón Multicapa (MLP) como el decodificador para predecir calificaciones con características adicionales basadas en gráficos. Para abordar el sobreajuste y mejorar la generalización del modelo, se introduce una nueva estrategia de entrenamiento. Empleamos un enfoque de división de datos aleatorio, dividiendo el conjunto de datos en dos mitades para cada instancia de entrenamiento. El modelo luego genera salidas en cada mitad de los datos, y se introduce una nueva función de pérdida para asegurar consistencia entre estas dos salidas, una estrategia que puede verse como una forma de aprendizaje contrastivo. El rendimiento del modelo se optimiza utilizando una combinación de esta nueva pérdida contrastiva, la pérdida de reconstrucción del gráfico y la pérdida de divergencia KL. Los experimentos realizados en el conjunto de datos Movielens100k demuestran la efectividad de este enfoque en mejorar el rendimiento de recomendación de películas.