Resumo Este artigo investiga o problema de equilíbrio entre o viés de popularidade e a distribuição de cauda longa em sistemas de recomendação de pacotes. Abordagens existentes costumam focar exclusivamente em recomendar itens populares ou apenas em recomendar itens de cauda longa. Essas abordagens falham em equilibrar efetivamente seus respectivos impactos, resultando em diversidade insuficiente nas recomendações do sistema. Para abordar esta questão, propomos o modelo GAMNBRec. O modelo introduz o método de normalização mista adaptativa por grafo (AdaMixNorm), que ajusta dinamicamente as estratégias de normalização com base em estruturas de grafo interativas. Essa estratégia equilibra o desempenho da recomendação entre itens populares e itens de cauda longa. Ela melhora a qualidade da recomendação de itens de cauda longa através de ajustes de normalização adaptativa, ao mesmo tempo preservando a qualidade das recomendações de itens populares. Além disso, o GAMNBRec incorpora um mecanismo de fusão dinâmica de recursos aprimorado por resíduo para evitar a perda de recursos para itens de cauda longa em redes profundas. Também integra uma perda contrastiva BPR ponderada por Softmax, que ajusta dinamicamente a importância de amostras negativas e, assim, melhora a eficácia do treinamento do modelo. Experimentos com os conjuntos de dados NetEase, Youshu e iFashion demonstram que o GAMNBRec supera significativamente os métodos existentes de última geração tanto nas métricas de Recall quanto em NDCG. Esses resultados validam a eficácia e inovação do GAMNBRec em equilibrar recomendações para itens populares e itens de cauda longa.
Li et al. (Qua,) estudaram esta questão.