Key points are not available for this paper at this time.
La Recommandation Interactive (RI) formule la recommandation comme un processus décisionnel en plusieurs étapes qui peut utiliser activement les retours d'expérience des individus à plusieurs reprises et optimiser le bénéfice utilisateur à long terme de la recommandation. L'apprentissage par renforcement profond (ARP) a connu une grande application dans la RI pour le commerce électronique. Cependant, le problème de démarrage à froid des utilisateurs nuit au processus d'apprentissage du schéma de recommandation basé sur l'ARP. De plus, la plupart des recommandations basées sur l'ARP existantes ignorent les relations entre utilisateurs ou ne prennent en compte que les relations sociales à un seul saut, ce qui ne permet pas d'utiliser pleinement le réseau social. Le fait que ces schémas ne puissent pas capturer les relations sociales à plusieurs sauts entre les utilisateurs dans la RI entraînera une recommandation suboptimale. Pour résoudre ces problèmes, cet article propose un schéma de Recommandation Interactif basé sur un Réseau de Neurones de Graphes Sociaux (SGNR), qui est un cadre ARP amélioré par des relations sociales à plusieurs sauts. Dans ce cadre, les relations sociales à plusieurs sauts entre les utilisateurs sont extraites du réseau social via le réseau de neurones de graphes, qui peut tirer suffisamment parti du réseau social pour fournir des recommandations plus personnalisées et atténuer efficacement le problème de démarrage à froid des utilisateurs. Les résultats expérimentaux sur deux ensembles de données réelles montrent que le SGNR proposé surpasse d'autres méthodes de pointe basées sur l'ARP qui ne tiennent pas compte des relations sociales ou ne prennent en compte que des relations sociales à un seul saut.
Ma et al. (Ven,) ont étudié cette question.