文件名称：具有异构信息的可解释的推荐系统：几何深度学习的观点-研究论文
文件大小：4.31MB
文件格式：PDF
更新时间：2024-06-09 12:09:32
Recommender systems Heterogeneous information Matrix
推荐系统（RS）在数字空间中无处不在。 本文开发了一种基于深度学习的方法来解决RS中的三个实际挑战：高维数据的复杂结构，关系信息中的噪声以及机器学习算法的黑匣子性质。 我们的方法-Multi-GraphGraph注意网络（MG-GAT）-通过在邻居重要性图上聚合来自每个用户（企业）的邻居的各种信息来学习潜在的用户和业务表示。 MG-GAT使用从Yelp收集的两个大型数据集和RS中的其他四个标准数据集，在推荐任务中表现优于最先进的深度学习模型。 改进的性能凸显了MG-GAT在原则上整合多模式功能方面的优势。 功能重要性，邻居重要性图和潜在表示可揭示有关业务和用户的预测功能以及可解释特征的业务见解。 此外，学习到的邻居重要性图可用于各种管理应用程序中，例如以客户为目标，促进新业务以及设计信息获取策略。 我们的论文展示了深度学习模型在管理中的典型大数据应用，同时提供了对现实世界中的决策至关重要的可解释性。