STUDIE: Sozial bewusste, zeitlich kausale Decoder-Empfehlungssysteme

STUDY: Socially Aware Temporally Casual Decoder Recommender Systems

June 2, 2023

Autoren: Eltayeb Ahmed, Diana Mincu, Lauren Harrell, Katherine Heller, Subhrajit Roy

cs.AI

Zusammenfassung

Angesichts der überwältigenden Menge an Daten, die heute sowohl online als auch offline verfügbar sind, sind Empfehlungssysteme dringend erforderlich, um Nutzern dabei zu helfen, auf ihre Interessen zugeschnittene Inhalte zu finden. Wenn Informationen aus sozialen Netzwerken vorhanden sind, gibt es Methoden, die diese Informationen nutzen, um bessere Empfehlungen zu geben. Allerdings sind diese Methoden oft umständlich, mit komplexen Architekturen und Trainingsverfahren. Darüber hinaus verwenden viele der bestehenden Methoden Graph-Neuronale Netzwerke, die bekanntermaßen schwer zu trainieren sind. Um dies zu adressieren, schlagen wir Socially-aware Temporally caUsal Decoder recommender sYstems (STUDY) vor. STUDY führt eine gemeinsame Inferenz über Gruppen von Nutzern durch, die im sozialen Netzwerk-Graph benachbart sind, und verwendet dabei einen einzigen Vorwärtsdurchlauf eines modifizierten Transformer-Decoder-Netzwerks. Wir testen unsere Methode in einem schulbasierten Bildungskontext, wobei die Klassenstruktur zur Definition sozialer Netzwerke verwendet wird. Unsere Methode übertrifft sowohl soziale als auch sequenzielle Methoden und behält dabei die Design-Einfachheit eines einzigen homogenen Netzwerks bei, das alle Interaktionen in den Daten modelliert. Wir führen auch Ablationsstudien durch, um die Treiber unserer Leistungssteigerungen zu verstehen, und stellen fest, dass unser Modell von der Nutzung einer sozialen Netzwerkstruktur abhängt, die die Ähnlichkeiten im Nutzerverhalten effektiv modelliert.

English

With the overwhelming amount of data available both on and offline today, recommender systems have become much needed to help users find items tailored to their interests. When social network information exists there are methods that utilize this information to make better recommendations, however the methods are often clunky with complex architectures and training procedures. Furthermore many of the existing methods utilize graph neural networks which are notoriously difficult to train. To address this, we propose Socially-aware Temporally caUsal Decoder recommender sYstems (STUDY). STUDY does joint inference over groups of users who are adjacent in the social network graph using a single forward pass of a modified transformer decoder network. We test our method in a school-based educational content setting, using classroom structure to define social networks. Our method outperforms both social and sequential methods while maintaining the design simplicity of a single homogeneous network that models all interactions in the data. We also carry out ablation studies to understand the drivers of our performance gains and find that our model depends on leveraging a social network structure that effectively models the similarities in user behavior.