STUDIO: Sistemi di Raccomandazione con Decodificatore Temporalmente Causale e Consapevole del Contesto Sociale

STUDY: Socially Aware Temporally Casual Decoder Recommender Systems

June 2, 2023

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

cs.AI

Abstract

Con l'enorme quantità di dati disponibili oggi sia online che offline, i sistemi di raccomandazione sono diventati essenziali per aiutare gli utenti a trovare elementi adatti ai loro interessi. Quando sono presenti informazioni sulle reti sociali, esistono metodi che utilizzano tali informazioni per fornire raccomandazioni migliori; tuttavia, questi metodi sono spesso macchinosi, con architetture complesse e procedure di addestramento articolate. Inoltre, molti dei metodi esistenti utilizzano reti neurali su grafi, notoriamente difficili da addestrare. Per affrontare questo problema, proponiamo i sistemi di raccomandazione Socially-aware Temporally caUsal Decoder (STUDY). STUDY esegue un'inferenza congiunta su gruppi di utenti adiacenti nel grafo della rete sociale utilizzando un singolo passaggio in avanti di una rete decoder transformer modificata. Testiamo il nostro metodo in un contesto educativo basato su scuola, utilizzando la struttura delle classi per definire le reti sociali. Il nostro metodo supera sia i metodi sociali che quelli sequenziali, mantenendo la semplicità progettuale di una singola rete omogenea che modella tutte le interazioni nei dati. Eseguiamo anche studi di ablazione per comprendere i fattori che determinano i nostri miglioramenti delle prestazioni e scopriamo che il nostro modello dipende dallo sfruttamento di una struttura di rete sociale che modella efficacemente le somiglianze nel comportamento degli utenti.

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.