STUDIE: Sociaal Bewuste Temporeel Causale Decoder Aanbevelingssystemen

STUDY: Socially Aware Temporally Casual Decoder Recommender Systems

June 2, 2023

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

cs.AI

Samenvatting

Met de overweldigende hoeveelheid gegevens die tegenwoordig zowel online als offline beschikbaar zijn, zijn aanbevelingssystemen steeds meer nodig geworden om gebruikers te helpen items te vinden die aansluiten bij hun interesses. Wanneer informatie over sociale netwerken beschikbaar is, bestaan er methoden die deze informatie gebruiken om betere aanbevelingen te doen, maar deze methoden zijn vaak omslachtig met complexe architecturen en trainingsprocedures. Bovendien maken veel van de bestaande methoden gebruik van grafische neurale netwerken, die berucht moeilijk te trainen zijn. Om dit aan te pakken, stellen we Socially-aware Temporally caUsal Decoder recommender sYstems (STUDY) voor. STUDY voert gezamenlijke inferentie uit over groepen gebruikers die aangrenzend zijn in de sociale netwerkgrafiek met behulp van een enkele voorwaartse doorgang van een aangepast transformatordecodernetwerk. We testen onze methode in een schools educatieve contentomgeving, waarbij we de klasstructuur gebruiken om sociale netwerken te definiëren. Onze methode presteert beter dan zowel sociale als sequentiële methoden, terwijl de ontwerpeenvoud van een enkel homogeen netwerk dat alle interacties in de gegevens modelleert, behouden blijft. We voeren ook ablatiestudies uit om de drijvende krachten achter onze prestatieverbeteringen te begrijpen en ontdekken dat ons model afhankelijk is van het benutten van een sociale netwerkstructuur die de overeenkomsten in gebruikersgedrag effectief modelleert.

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.