A study of knowledge transfer techniques in recommender systems

Abstract

Τα συστήματα συστάσεων αποτελούν βασικό στοιχείο σύγχρονων ψηφιακών πλατφορμών, καθώς υποστηρίζουν τους χρήστες στην αναζήτηση σχετικού περιεχομένου μέσα σε μεγάλο όγκο προϊόντων, υπηρεσιών και πληροφοριών. Εφαρμογές ηλεκτρονικού εμπορίου, υπηρεσίες streaming και διαδικτυακά μέσα αξιοποιούν αλγορίθμους συστάσεων για την εξατομίκευση της εμπειρίας χρήστη. Ωστόσο, η αποτελεσματικότητα των παραδοσιακών μεθόδων περιορίζεται σημαντικά σε περιβάλλοντα αραιών δεδομένων και ψυχρής εκκίνησης, όπου οι διαθέσιμες αλληλεπιδράσεις χρηστών–αντικειμένων δεν επαρκούν για την αξιόπιστη εκμάθηση προτιμήσεων. Η παρούσα διπλωματική εργασία διερευνά ένα πλαίσιο διατομεακών συστάσεων βασισμένο στη Μεταφορά Μάθησης, με στόχο τη βελτίωση των προβλέψεων σε συνθήκες περιορισμένης διαθεσιμότητας δεδομένων. Το προτεινόμενο μοντέλο χρησιμοποιεί το σύνολο δεδομένων Book-Crossing ως πεδίο πηγής και το MovieLens ως πεδίο στόχο. Η βασική πρόκληση είναι ότι τα δύο πεδία δεν μοιράζονται ούτε κοινούς χρήστες ούτε κοινά αντικείμενα, γεγονός που δεν επιτρέπει την άμεση μεταφορά παραγόντων χρηστών ή αντικειμένων. Για την αντιμετώπιση του προβλήματος, η εργασία αξιοποιεί τα είδη περιεχομένου ως κοινή σημασιολογική γέφυρα μεταξύ βιβλίων και ταινιών. Αρχικά, τα μεταδεδομένα των βιβλίων εμπλουτίζονται μέσω εξωτερικών πηγών και στη συνέχεια αντιστοιχίζονται σημασιολογικά με τα είδη των ταινιών, με χρήση SentenceTransformer embeddings και cosine similarity. Οι αντιστοιχισμένες κατηγορίες ενσωματώνονται σε ένα Genre-Aware Matrix Factorisation μοντέλο, το οποίο μαθαίνει αναπαραστάσεις χρηστών, αντικειμένων και ειδών. Οι genre embeddings εκπαιδεύονται αρχικά στο πεδίο των βιβλίων και μεταφέρονται ως προεκπαιδευμένες παράμετροι στο πεδίο των ταινιών, όπου προσαρμόζονται μέσω fine-tuning. Η αξιολόγηση περιλαμβάνει τέσσερα μοντέλα: Singular Value Decomposition, Matrix Factorisation με Stochastic Gradient Descent, Genre-Aware Matrix Factorisation και το προτεινόμενο Cross-Domain Transfer Learning μοντέλο. Η σύγκριση πραγματοποιείται με Mean Absolute Error, μέσω 10-fold cross-validation και σταδιακής αύξησης της διαθέσιμης εκπαίδευσης. Τα αποτελέσματα δείχνουν ότι η ενσωμάτωση σημασιολογικής πληροφορίας βελτιώνει ουσιαστικά την ακρίβεια σε σχέση με τις κλασικές συνεργατικές μεθόδους, ενώ το προτεινόμενο διατομεακό μοντέλο παρουσιάζει την καλύτερη συνολική συμπεριφορά υπό συνθήκες αυξανόμενης αραιότητας. Η εργασία καταδεικνύει ότι η σημασιολογική μεταφορά γνώσης μέσω ειδών μπορεί να υποστηρίξει αποτελεσματικά συστήματα συστάσεων σε πλήρως μη επικαλυπτόμενα πεδία.