Extending hypernetwork-based recommender systems for the cold-start problem using side information

Abstract

Το πρόβλημα της κρύας έναρξης (cold-start) αποτελεί θεμελιώδες πρόβλημα των συστηματών συστάσεων, καθότι απαιτεί την παροχή αποτελεσματικών προσωποποποιημένων συστάσεων σε χρήστες με περιορισμένό ή ακόμη μηδαμινό ιστορικό αλληλεπιδράσεων με το σύστημα. Παρότι η ενσωμάτωση βοηθητικών δεδομένων (side information) έχει ευρέως μελετηθεί στα παραδοσιακά συστήματα συστάσεων, η αποτελεσματικότητα σε συστήματα συστάσεων που ακολουθούν την μετά-εκπαίδευση (meta-learning) και βασιζόνται σε υπερ-δικτύα (hypernetwork) παραμένει ανεπαρκώς εξερευνημένη. Η παρούσα διπλωματική εργασία εξετάζει τις δυνατότητες του μετά-εκπαιδευομένου μοντέλου HyperRS με την ενσωμάτωση ετερογενών βοηθητικών πληροφοριών. Συγκεκριμένα, μελετάται η ενσωμάτωση δύο τύπων βοηθητικών πληροφοριών: αναπαράστασεις αντικειμένων βασισμένες σε τεχνικές επεξεργασίας φυσικής γλώσσας (Natural Language Processing) οι οποίες έχουν αντληθεί από πλοκές ταινιών κωδικοποιημένες από μοντέλο SBERT, δημογραφικά δεδομένα του χρήστη και ο συνδυασμός των δύο πληροφοριών. Τα αποτελέσματα της έρευνας υποδεικνύουν ότι οι εννοιολογικά εμπλουτισμένες αναπαραστάσεις αντικειμένων αποδίδουν ελάχιστη βελτίωση στην απόδοση του συστήματος ύπο ήπιες συνθήκες κρύας έναρξης, ενώ η αποτελεσματικότητα τους μειώνεται όσο η σοβαρότητα της κρύας έναρξης αυξάνεται. Εν αντιθέσει, τα δημογραφικά στοιχεία του χρήστη δεν φαίνεται να βελτιώνουν την απόδοση. Γενικά, τα αποτελέσματα υποδηλώνουν ότι η αποδοτικότητα της επιπρόσθετης βοηθητικής πληροφορίας επηρεάζεται σημαντικά από το μέγεθος των διαθέσιμων δεδομένων αλληλεπίδρασης, και ότι τα μοτίβα που αποκαλύπτουν οι αλληλεπιδράσεις παραμένουν θεμελιώδη ακόμα και στα μοντέλα μετά-εκπαίδευσης. Η κύρια συνεισφορά της παρούσης εργασίας έγκειται στην συστημική επέκταση των συστημάτων συστάσεων βασισμένα σε υπέρ-δίκτυα μέσω της ενσωμάτωσης διαφορετικών τύπων βοηθητικής πληροφορίας υπό διαφορετικές συνθήκες κρύας έναρξης, τονίζοντας σημαντικούς ενδοιασμούς στην ενσωμάτωση τέτοιων πληροφοριών σε πραγματικά σενάρια συστημάτων συστάσεων.