- เครือข่าย Convolutional Graph ของกราฟความรู้ Ripple สำหรับระบบการแนะนำ (arXiv)
ผู้แต่ง : เฉิน หลี่, หยาง เฉา, เย่ จู้, เดโบ เฉิง, เฉิงหยวน ลี่, ยาสุฮิโกะ โมริโมโตะ
บทคัดย่อ : การใช้กราฟความรู้เพื่อช่วยโมเดลการเรียนรู้เชิงลึกในการตัดสินใจแนะนำ ได้รับการพิสูจน์แล้วว่าสามารถปรับปรุงการตีความและความแม่นยำของโมเดลได้อย่างมีประสิทธิภาพ บทความนี้จะแนะนำโมเดลการเรียนรู้เชิงลึกแบบ end-to-end ชื่อ RKGCN ซึ่งจะวิเคราะห์ความชอบของผู้ใช้แต่ละคนแบบไดนามิกและให้คำแนะนำเกี่ยวกับรายการที่เหมาะสม โดยจะรวมกราฟความรู้ทั้งในด้านรายการและด้านผู้ใช้เพื่อเพิ่มคุณค่าให้กับการนำเสนอ เพื่อเพิ่มการใช้ประโยชน์ของข้อมูลที่มีอยู่มากมายในกราฟความรู้ให้เกิดประโยชน์สูงสุด RKGCN สามารถให้คำแนะนำที่เป็นส่วนตัวและเกี่ยวข้องมากขึ้นในสถานการณ์ที่แตกต่างกันสามสถานการณ์ ผลการทดลองแสดงให้เห็นถึงประสิทธิภาพที่เหนือกว่าของแบบจำลองของเรามากกว่าแบบจำลองพื้นฐาน 5 ชุดบนชุดข้อมูลในโลกแห่งความเป็นจริงสามชุด รวมถึงภาพยนตร์ หนังสือ และเพลง
2. การใช้เหตุผลกราฟความรู้ที่ชัดเจนสำหรับการแนะนำการสนทนา (arXiv)
ผู้แต่ง : Xuhui Ren, Tong Chen, Quoc Viet Hung Nguyen, Lizhen Cui, Zi Huang, Hongzhi Yin
บทคัดย่อ : ระบบผู้แนะนำแบบดั้งเดิมจะประเมินการตั้งค่าของผู้ใช้ในรายการโดยอิงตามบันทึกการโต้ตอบในอดีตเท่านั้น ดังนั้นจึงไม่สามารถจับความสนใจของผู้ใช้ที่มีรายละเอียดปลีกย่อยแต่มีพลวัต และปล่อยให้ผู้ใช้รับคำแนะนำเพียงลำพังเท่านั้น ระบบผู้แนะนำการสนทนา (CRS) ล่าสุดจัดการกับข้อจำกัดเหล่านั้นโดยทำให้ระบบผู้แนะนำสามารถโต้ตอบกับผู้ใช้เพื่อรับการตั้งค่าปัจจุบันของเธอ/ของเขา ผ่านลำดับคำถามที่กระจ่างแจ้ง แม้ว่าความก้าวหน้าใน CRS จะบรรลุผลสำเร็จ แต่โซลูชันที่มีอยู่ก็ยังห่างไกลจากความพึงพอใจในสองประเด็นต่อไปนี้: 1) CRS ในปัจจุบันมักกำหนดให้ผู้ใช้แต่ละรายต้องตอบคำถามชี้แจงจำนวนหนึ่งก่อนที่จะได้รับคำแนะนำขั้นสุดท้าย ซึ่งส่งผลเสียต่อประสบการณ์ของผู้ใช้; 2) มีช่องว่างทางความหมายระหว่างการนำเสนอที่เรียนรู้ของคุณลักษณะและรายการที่กล่าวถึงอย่างชัดเจน เพื่อแก้ไขข้อบกพร่องเหล่านี้ เราแนะนำกราฟความรู้ (KG) ให้เป็นข้อมูลเสริมสำหรับการทำความเข้าใจและให้เหตุผลตามความชอบของผู้ใช้ และเสนอกรอบงาน CRS ใหม่ ได้แก่ ระบบการใช้เหตุผลในการสนทนาที่เสริมความรู้ (KECR) เนื่องจากผู้ใช้สามารถสะท้อนถึงความชอบของตนผ่านทางนิพจน์ทั้งคุณลักษณะและระดับรายการ KECR จะปิดช่องว่างความหมายระหว่างสองระดับโดยการฝังความรู้ที่มีโครงสร้างไว้ใน KG ในขณะเดียวกัน KECR ใช้การเชื่อมต่อภายใน KG เพื่อดำเนินการให้เหตุผลที่ชัดเจนเกี่ยวกับความต้องการของผู้ใช้ ทำให้โมเดลไม่ต้องพึ่งพาความคิดเห็นของผู้ใช้ในการชี้แจงคำถาม KECR สามารถค้นหาห่วงโซ่การให้เหตุผลที่โดดเด่นเพื่อให้คำแนะนำสามารถอธิบายได้และมีเหตุมีผลมากขึ้น รวมถึงทำให้กระบวนการสนทนาราบรื่นขึ้น ซึ่งนำไปสู่ประสบการณ์ผู้ใช้ที่ดีขึ้นและความแม่นยำของการแนะนำการสนทนา การทดลองที่กว้างขวางบนชุดข้อมูลในโลกแห่งความเป็นจริงสองชุดแสดงให้เห็นถึงความเหนือกว่าของแนวทางของเราเหนือพื้นฐานที่ล้ำสมัยทั้งในการประเมินอัตโนมัติและการตัดสินของมนุษย์
