Aprendiendo múltiples grafos para recomendaciones de documentos

La Web ofrece datos relacionales ricos con diferentes semánticas. En este artículo, abordamos el problema de la recomendación de documentos en una biblioteca digital, donde los documentos en cuestión están conectados por citas y se asocian con otras entidades a través de diversas relaciones. Debido a la escasez de un solo grafo y al ruido en la construcción del grafo, proponemos un nuevo método para combinar múltiples grafos para medir similitudes de documentos, donde se utilizan diferentes estrategias de factorización en función de la naturaleza de los diferentes grafos. En particular, el nuevo método busca una sola incrustación de baja dimensión de los documentos que captura sus similitudes relativas en un espacio latente. Basado en la incrustación obtenida, se desarrolla un nuevo marco de recomendación utilizando aprendizaje semi-supervisado sobre grafos. Además, abordamos el problema de escalabilidad y proponemos un algoritmo incremental. El nuevo método incremental mejora significativamente la eficiencia al calcular la incrustación solo para nuevos documentos entrantes. Los nuevos métodos por lotes e incrementales se evalúan en dos conjuntos de datos del mundo real preparados a partir de CiteSeer. Los experimentos demuestran una mejora significativa en la calidad de nuestro método por lotes y una mejora significativa en la eficiencia con una pérdida de calidad tolerable para nuestro método incremental.