ÉTUDE : Systèmes de recommandation avec décodeur socialement conscient et temporellement causal

STUDY: Socially Aware Temporally Casual Decoder Recommender Systems

June 2, 2023

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

cs.AI

Résumé

Face à la quantité écrasante de données disponibles en ligne et hors ligne aujourd'hui, les systèmes de recommandation sont devenus indispensables pour aider les utilisateurs à trouver des éléments adaptés à leurs centres d'intérêt. Lorsque des informations sur les réseaux sociaux sont disponibles, il existe des méthodes qui exploitent ces informations pour fournir de meilleures recommandations. Cependant, ces méthodes sont souvent lourdes, avec des architectures complexes et des procédures d'entraînement fastidieuses. De plus, bon nombre des méthodes existantes utilisent des réseaux de neurones graphiques, qui sont notoirement difficiles à entraîner. Pour remédier à cela, nous proposons les systèmes de recommandation Socially-aware Temporally caUsal Decoder (STUDY). STUDY effectue une inférence conjointe sur des groupes d'utilisateurs adjacents dans le graphe du réseau social en utilisant une seule passe avant d'un réseau de décodeur de transformateur modifié. Nous testons notre méthode dans un contexte éducatif basé sur une école, en utilisant la structure des classes pour définir les réseaux sociaux. Notre méthode surpasse à la fois les méthodes sociales et séquentielles tout en conservant la simplicité de conception d'un réseau homogène unique qui modélise toutes les interactions dans les données. Nous menons également des études d'ablation pour comprendre les facteurs de nos gains de performance et constatons que notre modèle repose sur l'exploitation d'une structure de réseau social qui modélise efficacement les similitudes dans le comportement des utilisateurs.

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.