Graph neural networks for improvement recommender system

Abstract

The field of recommender systems is a significant branch of data mining, with extensive applications in both research and practical contexts. These systems leverage user and item interaction data to generate personalized item recommendations, enhancing user experiences in e-commerce by promoting items that align with user preferences. Beyond e-commerce, recommender systems are also applied in recommending books, movies, courses, and websites.

User recommendations are primarily determined by the similarity between users, assessed using techniques such as collaborative filtering (CF), matrix factorization (MF), and singular value decomposition (SVD). These techniques typically rely on matrices of past user ratings. In graph data mining, interactions between users and items can be represented as a graph, enabling more extensive and effective interaction filtering techniques. Graph Neural Network (GNN) models are crucial for representing and extracting insights from graph data.

Social relationships significantly influence shopping habits, with recommendations from friends often having a greater impact than those from other sources. Integrating social connections with user similarity, based on shared shopping patterns, presents challenges due to the noise and variability in different datasets. This complexity is further amplified when considering relationships between items, such as geographic location, product type, buyer comments, and visit time sessions.

Summarized, the integration of advanced techniques such as GNNs and the consideration of social connections and item relations offer promising advancements in the effectiveness of recommender systems, despite the inherent challenges.

Oblast doporučovacích systémů je významnou větví dolování dat s širokým využitím v oblasti výzkumu i praxe. Tyto systémy využívají data o interakcích mezi uživateli a položkami k vytváření personalizovaných doporučení, což zlepšuje uživatelskou zkušenost v e-commerce tím, že propaguje položky, které odpovídají preferencím uživatelů. Kromě e-commerce jsou doporučovací systémy také aplikovány při doporučování knih, filmů, kurzů a webových stránek.

Doporučení pro uživatele jsou primárně určována podobností mezi uživateli, která je hodnocena pomocí technik jako kolaborativní filtrování (CF), maticová faktorizace (MF) a rozklad singulárních hodnot (SVD). Tyto techniky obvykle spoléhají na matice minulých hodnocení uživatelů. Při dolování grafových dat mohou být interakce mezi uživateli a položkami reprezentovány jako graf, což umožňuje rozsáhlejší a efektivnější techniky filtrování interakcí. Modely grafových neuronových sítí (GNN) jsou klíčové pro reprezentaci a extrakci poznatků z grafových dat.

Sociální vztahy významně ovlivňují nákupní návyky, přičemž doporučení od přátel mají často větší dopad než doporučení z jiných zdrojů. Integrace sociálních vazeb s podobností uživatelů na základě sdílených nákupních vzorců představuje výzvy kvůli šumu a variabilitě v různých datech. Tato složitost se ještě zvyšuje, když vezmeme v úvahu vztahy mezi položkami, jako je geografická poloha, typ produktu, komentáře kupujících a časy návštěv.

Závěrem lze říci, že integrace pokročilých technik, jako jsou GNN, a zohlednění sociálních vazeb a vztahů mezi položkami nabízejí slibné pokroky v účinnosti doporučovacích systémů, navzdory inherentním výzvám.