- Jaringan Konvolusional Grafik Pengetahuan Ripple Untuk Sistem Rekomendasi (arXiv)
Pengarang : Chen Li, Yang Cao, Ye Zhu, Debo Cheng, Chengyuan Li, Yasuhiko Morimoto
Abstrak : : Penggunaan grafik pengetahuan untuk membantu model pembelajaran mendalam dalam membuat keputusan rekomendasi baru-baru ini terbukti secara efektif meningkatkan interpretasi dan akurasi model. Makalah ini memperkenalkan model pembelajaran mendalam end-to-end, bernama RKGCN, yang secara dinamis menganalisis preferensi setiap pengguna dan membuat rekomendasi item yang sesuai. Ini menggabungkan grafik pengetahuan di sisi item dan sisi pengguna untuk memperkaya representasi mereka guna memaksimalkan pemanfaatan informasi yang melimpah dalam grafik pengetahuan. RKGCN mampu menawarkan rekomendasi yang lebih personal dan relevan dalam tiga skenario berbeda. Hasil eksperimen menunjukkan efektivitas model kami yang lebih unggul dibandingkan 5 model dasar pada tiga kumpulan data dunia nyata termasuk film, buku, dan musik
2. Grafik Pengetahuan Eksplisit Alasan untuk Rekomendasi Percakapan (arXiv)
Pengarang : Xuhui Ren, Tong Chen, Quoc Viet Hung Nguyen, Lizhen Cui, Zi Huang, Hongzhi Yin
Abstrak : Sistem pemberi rekomendasi tradisional memperkirakan preferensi pengguna pada item hanya berdasarkan catatan interaksi historis, sehingga gagal menangkap minat pengguna yang terperinci namun dinamis dan membiarkan pengguna hanya menerima rekomendasi secara pasif. Sistem pemberi rekomendasi percakapan (CRS) terbaru mengatasi keterbatasan tersebut dengan memungkinkan sistem pemberi rekomendasi berinteraksi dengan pengguna untuk mendapatkan preferensinya saat ini melalui serangkaian pertanyaan klarifikasi. Meskipun ada kemajuan yang dicapai dalam CRS, solusi yang ada masih jauh dari kepuasan dalam dua aspek berikut: 1) CRS saat ini biasanya mengharuskan setiap pengguna untuk menjawab sejumlah pertanyaan klarifikasi sebelum mencapai rekomendasi akhir, sehingga merugikan pengalaman pengguna; 2) terdapat kesenjangan semantik antara representasi yang dipelajari dari atribut dan item yang disebutkan secara eksplisit. Untuk mengatasi kelemahan ini, kami memperkenalkan grafik pengetahuan (KG) sebagai informasi tambahan untuk memahami dan mempertimbangkan preferensi pengguna, dan mengusulkan kerangka kerja CRS baru, yaitu sistem Knowledge Enhanced Conversational Reasoning (KECR). Karena pengguna dapat mencerminkan preferensinya melalui ekspresi tingkat atribut dan item, KECR menutup kesenjangan semantik antara dua tingkat dengan menanamkan pengetahuan terstruktur di KG. Sementara itu, KECR memanfaatkan konektivitas dalam KG untuk melakukan penalaran eksplisit atas permintaan pengguna, sehingga model ini tidak terlalu bergantung pada umpan balik pengguna untuk menjawab pertanyaan klarifikasi. KECR dapat menemukan rantai alasan yang menonjol agar rekomendasi dapat dijelaskan dan lebih masuk akal, serta memperlancar proses percakapan, sehingga menghasilkan pengalaman pengguna yang lebih baik dan akurasi rekomendasi percakapan. Eksperimen ekstensif pada dua kumpulan data nyata menunjukkan keunggulan pendekatan kami dibandingkan data dasar yang canggih baik dalam evaluasi otomatis maupun penilaian manusia
