Vers une approche de recommandation sociale à base de préférence

Abstract

Durant les dernières années, la recommandation sociale a suscité un intérêt significatif dans le domaine de la recherche en raison de sa capacité à résoudre efficacement les problèmes de rareté des données et de démarrage à froid auxquels sont confrontées les méthodes traditionnelles de recommandation. Le concept central de la recommandation sociale repose sur l'hypothèse que le comportement des utilisateurs au sein d'un réseau social est fortement influencé par leurs relations sociales, permettant ainsi une inférence plus précise de leurs préférences. Les algorithmes de recommandation personnalisée dans les réseaux sociaux sont devenus cruciaux tant dans l'industrie que dans le milieu académique. Ces systèmes doivent apprendre les préférences des utilisateurs en utilisant leurs comportements passés ainsi que leurs relations sociales. Les modèles d'apprentissage profond, capables de représenter précisément les profils des utilisateurs et des items recommandés, sont de plus en plus utilisés. Récemment, les réseaux de neurones graphiques (GNN) ont prouvé leur efficacité pour l'apprentissage sur des données graphiques, intégrant les informations des noeuds et la structure topologique, ce qui est prometteur pour améliorer les recommandations sociales en représentant les données sous forme de graphes sociaux. Cependant, la construction de systèmes de recommandation sociale basés sur les GNN est complexe en raison des interactions et opinions dans le graphe utilisateur-item, des relations sociales hétérogènes et de l'implication des utilisateurs dans deux graphes distincts. Pour relever ces défis, le framework GraphRec est présenté. Il capture conjointement les interactions et opinions dans le graphe utilisateur-item et modélise de manière cohérente les deux graphes ainsi que leurs relations hétérogènes