Filtrado Colaborativo de Hipergráficos de Doble Canal

El filtrado colaborativo (CF) es una de las metodologías de recomendación más populares e importantes en el corazón de numerosos sistemas de recomendación hoy en día. Aunque se ha adoptado ampliamente, los métodos existentes basados en CF, que van desde la factorización de matrices hasta los métodos emergentes basados en grafos, sufren un rendimiento inferior, especialmente cuando los datos para el entrenamiento son muy limitados. En este artículo, primero identificamos las causas raíz de dicha deficiencia y observamos dos desventajas principales que derivan de los diseños inherentes de los métodos existentes basados en CF, es decir, 1) modelado inflexible de usuarios y artículos y 2) modelado insuficiente de correlaciones de alto orden entre los sujetos. En tales circunstancias, proponemos un marco de filtrado colaborativo de hipergráficos de doble canal (DHCF) para abordar los problemas mencionados. Primero, se introduce una estrategia de aprendizaje de doble canal, que aprovecha de manera holística la estrategia de dividir y conquistar, para aprender la representación de usuarios y artículos de modo que estos dos tipos de datos puedan interconectarse elegantemente mientras se mantienen sus propiedades específicas. Segundo, se emplea la estructura de hipergráfico para modelar usuarios y artículos con correlaciones híbridas de alto orden explícitas. Se propone el método de convolución de hipergráfico de salto (JHConv) para apoyar la propagación de incrustaciones explícitas y eficientes de correlaciones de alto orden. Experimentos exhaustivos en dos benchmarks públicos y dos nuevos conjuntos de datos del mundo real demuestran que DHCF puede lograr mejoras significativas y consistentes en comparación con otros métodos de vanguardia.