ESTUDIO: Sistemas de Recomendación con Decodificador Temporalmente Causal y Consciente del Contexto Social

STUDY: Socially Aware Temporally Casual Decoder Recommender Systems

June 2, 2023

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

cs.AI

Resumen

Con la abrumadora cantidad de datos disponibles tanto en línea como fuera de línea hoy en día, los sistemas de recomendación se han vuelto esenciales para ayudar a los usuarios a encontrar elementos adaptados a sus intereses. Cuando existe información de redes sociales, hay métodos que utilizan esta información para hacer mejores recomendaciones; sin embargo, estos métodos suelen ser engorrosos, con arquitecturas complejas y procedimientos de entrenamiento complicados. Además, muchos de los métodos existentes utilizan redes neuronales de grafos, que son notoriamente difíciles de entrenar. Para abordar esto, proponemos los sistemas de recomendación Socially-aware Temporally caUsal Decoder (STUDY). STUDY realiza inferencia conjunta sobre grupos de usuarios adyacentes en el grafo de la red social utilizando un único paso hacia adelante de una red decodificadora de transformadores modificada. Probamos nuestro método en un entorno educativo basado en escuelas, utilizando la estructura del aula para definir las redes sociales. Nuestro método supera tanto a los métodos sociales como a los secuenciales, manteniendo la simplicidad de diseño de una única red homogénea que modela todas las interacciones en los datos. También llevamos a cabo estudios de ablación para comprender los factores que impulsan nuestras mejoras de rendimiento y encontramos que nuestro modelo depende de aprovechar una estructura de red social que modela eficazmente las similitudes en el comportamiento del usuario.

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.