Un modèle de réseau de neurones hétérogène pour la recommandation au démarrage à froid

Les interactions historiques des utilisateurs contiennent généralement leurs centres d'intérêt et leurs habitudes d'achat sur la base desquelles des recommandations personnalisées peuvent être faites. Cependant, ces interactions utilisateur sont souvent rares, entraînant le problème bien connu du démarrage à froid lorsque l'utilisateur n'a pas ou très peu d'interactions. Dans cet article, nous proposons un nouveau modèle de recommandation, nommé Heterogeneous Graph Neural Recommender (HGNR), pour aborder le problème du démarrage à froid tout en garantissant des recommandations efficaces pour tous les utilisateurs. Notre modèle HGNR apprend les embeddings des utilisateurs et des articles en utilisant le réseau de neurones convolutionnel basé sur un graphe hétérogène, qui est construit à partir des interactions utilisateur-article, des liens sociaux et des liens sémantiques prévus à partir du réseau social et des critiques textuelles. Nos expériences empiriques approfondies sur trois ensembles de données publics démontrent que HGNR surpasse largement les références concurrentes en termes de Gain Cumulé Normalisé et de mesures de Taux de Clic.