توصية متتابعة ترافعية ناعمة

ظهر التعلم التبايني مؤخرًا كاستراتيجية فعالة لتحسين أداء التوصيات المتتابعة. ومع ذلك، فإن النماذج التقليدية تعتمد عمومًا على بناء خسارة تباينية عن طريق تحسين عينات إيجابية وسلبية مصممة يدويًا، مما يؤدي إلى نموذج حساس بشكل مفرط للقواعد الهادفة. لمعالجة هذه القيود، نقترح إطار عمل تبايني ناعم جديد لتوصية متتابعة في هذه المقالة. فكرتنا الرئيسية هي توسيع التباين النقاط إلى مقارنة بمستويات المناطق، حيث نهدف إلى تحديد الحالات القريبة من العينات الإيجابية/السلبية المختارة في البداية التي تظهر خصائص تباينية مماثلة. يحسن هذا التوسع من قوة النموذج ضد قضايا الإنسان. لتحقيق هذا الهدف، نقدم خسارة تباينية متعارضة تسمح لنا باستكشاف مناطق العينات بشكل أكثر فعالية. بشكل محدد، نبدأ بالنظر إلى تسلسل سلوك المستخدم بوصفه كيانًا كليًا. نقوم ببناء عينات معارضة عن طريق إدخال متجه اضطراب مستمر إلى تمثيل التسلسل. يضيف هذا المتجه تباينًا إلى التسلسل، مما يمكّن استكشافًا أكثر مرونة لمناطق العينات. وعلاوة على ذلك، نوسع الاستراتيجية المذكورة أعلاه من خلال تطبيق الاضطرابات مباشرة على العناصر داخل التسلسل. وهذا يأخذ في الاعتبار الطبيعة المتتابعة للعناصر. لالتقاط هذه العلاقات المتتابعة، نستخدم شبكة عصبية متكررة لربط الاضطرابات، مما يقدم تحيزًا استقرائيًا لاستكشاف أكثر كفاءة للعينات المعارضة. لإظهار فعالية نموذجنا، نجري تجارب واسعة على خمسة مجموعات بيانات واقعية.