Graph neural networks for improvement recommender system

Trung Tin Tran

Doctoral thesis

Abstract:

Problematika doporučovacích systémů je důležitým odvětvím data miningu jak ve výzkumu, tak v praktických aplikacích. Používají data o interakci uživatelů a položek k poskytování personalizovaných doporučení položek. Tato technika zlepšuje uživatelskou zkušenost v elektronickém obchodování tím, že podporuje nákupy položek, které odpovídají jejich preferencím. Kromě toho rozšiřuje svou užitečnost tím, že poskytuje doporučení pro další oblasti, včetně knih, filmů, kurzů a webových stránek. Uživatelská doporučení jsou určena především podobností mezi uživateli, vyhodnocenými pomocí několika technik, kterými jsou kolaborativní filtrování (CF), maticová faktorizace (MF) nebo singulární rozklad hodnot (SVD). Všechny tyto techniky jsou aplikovány na data, která jsou matice minulých hodnocení uživatelů V těžbě grafických dat mohou být interakce mezi uživateli a položkami zaznamenány a reprezentovány jako graf, což umožňuje použití technik filtrování interakcí na širší a efektivnější úrovni Modely grafických neuronových sítí (GNN) hrají klíčovou roli při reprezentaci a získávání poznatků z grafických dat Navíc sociální vztahy mají významný vliv na nákupní návyky, a proto doporučení od přátel mají větší vliv než doporučení od jiných zdrojů Integrace sociálních spojení s podobností uživatelů na základě sdílených nákupních vzorů je náročná kvůli šumu a variabilitě v různých datasetech Tato složitost se zvyšuje, když zohledníme vztahy mezi položkami, jako je geografická poloha, typ produktu, komentáře kupujících a časy návštěv Efektivní model doporučení musí zpracovávat a syntetizovat informace do optimálních výsledků.

Abstract:

The topic of recommender systems is an important branch of data mining in both research and practical applications. They use user and item interaction data to provide personalized item recommendations. This technique improves user experience in e-commerce by encouraging purchases of items that match their preferences. Additionally, it extends its usefulness by providing recommendations for other areas, including books, movies, courses, and websites. User recommendations are mainly determined by the similarity between users, evaluated using several techniques that are collaborative filtering (CF), matrix factorization (MF) or value decomposition singular (SVD). All these techniques are applied data that are matrices of past user ratings. In graph data mining, interactions between users and items can be recorded and represented as a graph, which allows interaction filtering techniques to be practiced on a broader and more effective scale. Graph Neural Network (GNN) models play a vital role in representing and drawing insights from graph data. Furthermore, social relationships give a significant impact on shopping habits, and thus recommendations from friends have a greater influence than recommendations from other sources. Integrating social connections with user similarity based on shared shopping patterns is challenging due to the noise and variability present in different datasets. This complexity increases when we consider the relationships between items, such as geographic location, product type, buyer comments and visit time sessions. An effective recommendation model needs to process and synthesize information into optimal results.

Keywords

Systém doporučení, Systém sociálního doporučení, Doporučení založené na poloze, Spolupracující filtrování, Grafická neuronová síť, Grafická konvoluční síť.

Keywords

Recommendation System, Social Recommendation System, Location based Recommendation, Collaborative Filtering, Graph Neural Network, Graph Convolution Network.

Language used: English

Date on which the thesis was submitted / produced: 27. 4. 2024

Thesis defence

• Supervisor: Václav Snášel

VSB – Technical University of Ostrava

Fakulta elektrotechniky a informatiky

Doctoral programme / field:
Informatika, komunikační technologie a aplikovaná matematika / Informatika