الخلاصة

تقنيات تقنيات التصفية التعاونية (CF) ، التي توصي بالعناصر بناءً على البيانات والتفضيلات التاريخية للمستخدمين، تستخدم بشكل شائع في نظم التوصية (RS) وتلعب دورًا حيويًا في الحياة الحديثة من خلال مساعدة المستخدمين في صنع القرارات. لقد أثرت الشبكات الاجتماعية (SN) بشكل كبير على سلوك المستخدمين، حيث يؤثر التأثير الاجتماعي على عملية اتخاذ القرارات. يمكن لاستخدام SN في RS، المعروفة باسم نظم التوصية الاجتماعية (SRS)، تحسين أداء التوصية من خلال استخدام بيانات SN للمستخدمين. على الرغم من مزايا دمج بيانات SN في SRS، إلا أنه لا يزال يواجه العديد من التحديات التي تقيد أداءه. لقد أظهرت شبكات الالتفاف الرسومية (GCN) نتائج مبشرة وتستخدم على نطاق واسع في RS، وتحديدًا في SRS. نظرًا لأن البيانات في SRS يمكن تمثيلها على شكل رسوم بيانية بسبب طبيعتها، يمكن لشبكات الالتفاف الرسومية ، وهي نوع من شبكات العصبية الرسومية (GNN)، دمج بيانات العقدة والهيكل الطبوغرافي بسهولة.

تواجه البحوث التي تستخدم شبكات الالتفاف الرسومية على انظمة التوصية الاجتماعية تحديات كبيرة مثل مشكلات الأداء الناجمة عن التقارب البطيء الناتج عن الحاجة إلى تراكم المزيد من طبقات تمرير الرسالة. تجاهل مساحة العنصر، التي يمكن أن تعزز تمثيل العنصر وتحسين أداء النموذج، هو مشكلة أخرى في الدراسات السابقة. علاوة على ذلك، لم يتم اعتبار درجات متفاوتة من العلاقات في الشبكات الاجتماعية في معظم ال الأدبيات. من الضروري التعامل مع هذه التحديات لتحسين أداء نظام انظمة التوصية الاجتماعية المستند إلى شبكات الالتفاف الرسومية .

تقدم هذه الرسالة إطار عمل مستندًا إلى شبكات الالتفاف الرسومية يسمى شبكة الالتفاف الرسومية الاجتماعية المبسطة للغاية (SocialUGCN) لمعالجة مشكلات أنظمة التوصية الأجتماعية .يستخدم SocialUGCN خسارة القيد بدلاً من تمرير الرسالة لتقدير حد التلافيف الرسومية ذات الطبقات المتكاملة بشكل مباشر. يتيح ذلك ضبط مرونة الارتباط النسبي لأنواع الاتصال المختلفة في رسوم أنظمة التوصية الأجتماعية المختلفة. علاوة على ذلك، يتم الأخذ في الاعتبار طبيعة قوة الروابط الاجتماعية المتنوعة في SN من الناحية الرياضية. يستخدم SocialUGCN العلاقات الضمنيه بين السلع لتحسين دقة التوصيات التي يقوم بها نظام التوصية.

تم اختبار الإطار المقترح لـ أنظمة التوصية الأجتماعية على ثلاثة مجموعات بيانات واقعية و معيارية هي Ciao وLastFM وYelp2018 الحقيقية، ثم تم تقييم النموذج بشكل فعال باستخدام Precision@20 وRecall@20 وNDCG@20، المقاييس التي تستخدم بشكل شائع في نماذج أنظمة التوصية الأجتماعية . أظهرت النتائج أن النهج المقترح يتفوق على النهج المتقدمة بمعدل يصل إلى (21%) في مجموعة بيانات Ciao في المقاييس المذكورة أعلاه. كما أظهرت التجارب أن SocialUGCN يخفف بشكل فعال من مشكلة بدء التشغيل البارد لنظا.م التوصية في اختبارات المستخدمين ذوي بدء التشغيل البارد حتى (22.56%) عند Recall@20 في مجموعة بيانات LastFM .