Улучшение справедливости в графовом коллаборативном фильтринге: комплексный подход к теоретической формализации и улучшенным методам смягчения

«`html

Улучшение справедливости в графовом коллаборативном фильтровании: Комплексная система теоретической формализации и улучшенных методов смягчения

Рекомендательные системы стали мощным инструментом для персонализированных рекомендаций, которые автоматически учитывают предпочтения пользователей к различным категориям товаров, начиная от потоков до точек интереса. Однако их широкое использование вызвало опасения относительно надежности и справедливости. Для решения проблемы несправедливости в рекомендациях были разработаны алгоритмы, разделенные на предварительную обработку, внутреннюю обработку и последующие подходы. Большинство исследований сосредоточены на техниках внутренней обработки, особенно в области потребительской несправедливости. Эта проблема проявляется в справедливом графовом коллаборативном фильтровании (GCF), которое использует графы знаний и графовые нейронные сети, но игнорирует потребительскую несправедливость в предварительных и последующих подходах.

Практические решения и ценность

Существующие исследования сосредоточены на преодолении проблемы справедливого GCF через конвейер дополнения данных после обработки. Этот метод использует обученную графовую нейронную сеть (GNN) для дополнения графа с целью более справедливых рекомендаций путем оптимизации функции потерь, учитывающей различия в демографических группах. Оценка была ограничена в своем объеме, несмотря на показанные многообещающие результаты. Ей не хватает всеобъемлющего протокола с широким спектром GNN и наборов данных. Кроме того, существующие работы в основном сосредоточены на установленных моделях GNN, таких как GCMC, LightGCN и NGCF, в то время как новые архитектуры в GCF в значительной степени были проигнорированы.

Исследователи из Университета Кальяри, Италия, и Spotify Барселона, Испания, предложили подробный подход для преодоления ограничений предыдущих методов справедливого GCF. Они предоставили теоретическую формализацию политик выборки и интеграции дополненного графа в GNN. Был проведен обширный бенчмарк для решения проблем потребительской несправедливости среди возрастных и гендерных групп, путем расширения набора политик выборки для включения времени взаимодействия и традиционных свойств графа. Кроме того, был представлен FA4GCF (Fair Augmentation for Graph Collaborative Filtering) — универсальный, общедоступный инструмент, построенный на Recbole, который адаптируется к различным GNN, наборам данных, чувствительным атрибутам и политикам выборки.

Предложенный метод значительно расширяет область оценки по сравнению с предыдущими исследованиями, заменив Last.FM-1K на Last.FM1M (LF1M) и расширив экспериментальную оценку для включения наборов данных из различных областей, таких как MovieLens1M (ML1M) для фильмов, RentTheRunway (RENT) для моды и Foursquare для точек интереса в Нью-Йорке (FNYC) и Токио (FTKY). Применяются согласованные предварительные обработки, которые включают бинаризацию возраста и фильтрацию k-ядра для всех наборов данных. Кроме того, принята временная стратегия разделения пользователей с соотношением 7:1:2 для обучения, проверки и тестовых наборов, включая более широкий спектр передовых моделей графового коллаборативного фильтрования.

Результаты показывают, что техники смягчения несправедливости имеют различное влияние на различные модели и наборы данных. Например, SGL на наборе данных ML1M достиг оптимального смягчения несправедливости с увеличением общего NDCG, что указывает на эффективное улучшение для недостигнутой группы. Модели высокой производительности, такие как HMLET, LightGCN и т. д., продемонстрировали последовательные улучшения справедливости на наборах данных LF1M и ML1M. Различные политики выборки проявили различную эффективность, причем политики IP и FR показали хорошую производительность в смягчении несправедливости, особенно на наборах данных LF1M и ML1M. Также были замечены улучшения на наборах данных RENT и FTKY, но общий эффект был минимален и неоднороден.

В данной статье исследователи представили подробный подход для преодоления ограничений предыдущих методов справедливого GCF. Они формализовали политики выборки для ограничений пользовательского и товарного наборов, разработали теоретическую основу для конвейера дополнения и его влияния на прогнозы GNN, а также представили новые политики, использующие классические свойства графа и временные характеристики. Оценка охватила различные наборы данных, модели и метрики справедливости, обеспечивая более детальную оценку эффективности алгоритма. Эта статья предоставляет ценные идеи о сложностях смягчения несправедливости в GCF и устанавливает прочную основу для будущих исследований в области рекомендательных систем.

Подпишитесь на нас

Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте Advancing Fairness in Graph Collaborative Filtering: A Comprehensive Framework for Theoretical Formalization and Enhanced Mitigation Techniques.

Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.

Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.

Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.

На полученных данных и опыте расширяйте автоматизацию.

Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями об ИИ в нашем Телеграм-канале https://t.me/aisalesbotnews

Попробуйте AI Sales Bot https://saile.ru/ Это AI ассистент для продаж, он помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.

Узнайте, как ИИ может изменить процесс продаж в вашей компании с решением от saile.ru будущее уже здесь!

«`