Sistemas de recomendação sequencial baseados em abordagens de graph neural network

Abstract

Resumo: Sistemas de recomendação auxiliam usuários, filtrando uma grande quantidade de conteúdos a que são expostos diariamente, com o objetivo de recomendar produtos em ecommerce, músicas, filmes, pessoas em redes sociais e outros de maneira personalizada, sendo assim, uma tarefa complexa. Atualmente os sistemas de recomendação sequencial tem sido cada vez mais utilizados nestas tarefas. Eles recebem como entrada uma sequência de cliques, ou seja, os itens acessados durante um determinado tempo e utilizam algoritmos de recomendação para sugerir o próximo item. Para sugerir itens, é necessário construir representações de itens, sendo eles responsáveis por identificá-los através de um vetor de números reais, chamado de embedding. Neste trabalho propomos alterar o módulo responsável por construir estas representações de itens, que emprega a técnica GGNN no Sistema de Recomendação Sequencial SR-GNN, pela técnica GraphSage, utilizando seus agregadores: Mean, Maxpolling e LSTM. Validamos nossa proposta com os datasets: yoochoose, diginetica, aotm e 30music. Os resultados indicam que o método Mean foi capaz de reduzir o tempo de execução em todos os cenários testados, mantendo a eficácia original.

Abstract: Recommender systems help users by filtering a large amount of content to which they are exposed daily, in order to recommend products in e-commerce, music, movies, people on social networks and others in a personalized way, thus being a complex task. Currently, sequential recommender systems have been increasingly used in these tasks. They receive a sequence clicks as input, that is, items accessed during a given time, and use recommendation algorithms to suggest the next item. To suggest items, it is necessary to build representations of items, being responsible for identifying them through a vector of real numbers, called embedding. In this work we propose to change the module responsible for building these embeddings, which employs the GGNN technique in the SR-GNN Sequential Recommendation System, using the GraphSage technique, using its aggregators: Mean, Maxpolling and LSTM. We validated our proposal with the datasets: yoochoose, diginetica, aotm and 30music. The results indicate that the Mean method was able to reduce the execution time in all tested scenarios, maintaining the original effectiveness.