WiMi Hologram Cloud Inc. a annoncé qu'un modèle de recommandation basé sur le réseau d'informations hétérogènes (HIN) a été développé, ce qui constitue une avancée dans le domaine de la recommandation personnalisée. Le modèle de recommandation basé sur le HIN, qui consiste en différents types de nœuds et de multiples types de relations, peut mieux représenter les relations complexes dans le monde réel. Le modèle de recommandation basé sur HIN vise à résoudre les problèmes des modèles de recommandation Internet actuels, notamment la rareté des données, l'extraction d'informations trompeuses et la perte d'informations utiles recommandées.

Ces problèmes sont difficiles à résoudre pour les modèles de recommandation traditionnels, et le modèle de recommandation de WiMi basé sur HIN peut les résoudre. La rareté des données est un problème courant de nos jours, en particulier dans le cas de données limitées sur le comportement des utilisateurs. Ce modèle peut atténuer le problème de la rareté des données en utilisant plusieurs méta-trajets pour décrire la relation entre les utilisateurs et les articles, ce qui peut être utilisé pour atténuer le problème de la rareté des données en transférant des informations à travers les méta-trajets. Même en l'absence d'informations sur l'interaction entre l'utilisateur et l'article sur certains méta-trajets, le modèle est en mesure de formuler des recommandations grâce aux informations associées sur d'autres trajets.

L'extraction d'informations trompeuses est également un défi qui doit être relevé dans les modèles de recommandation traditionnels, car ils modélisent généralement les utilisateurs et les éléments de manière isolée dans chaque méta-trajet, ce qui entraîne une extraction d'informations potentiellement trompeuse. Le modèle de recommandation basé surHIN adopte une approche d'intégration unifiée, qui décrit les utilisateurs et les éléments dans le cadre de différents méta-trajets à l'aide de caractéristiques communes. Cette approche réduit l'extraction d'informations trompeuses et saisit les caractéristiques de l'utilisateur et de l'article de manière plus complète, ce qui permet d'obtenir des résultats de recommandation plus précis.

Lors de l'exploration de réseaux d'information hétérogènes, les modèles de recommandation traditionnels actuels ne prennent généralement en compte que les caractéristiques structurelles du réseau d'information, ignorant les informations potentiellement utiles qu'il contient. Le modèle de recommandation basé sur la CIN intègre uniformément les utilisateurs, les éléments et les méta-paths dans l'espace potentiel pertinent en apprenant les vecteurs d'intégration des nœuds. De cette manière, le modèle peut mieux quantifier la préférence de l'utilisateur pour les méta-trajets, améliorant ainsi l'efficacité des recommandations personnalisées et évitant la perte irréversible d'informations utiles.

Le modèle de recommandation de WiMi basé sur HIN peut résoudre efficacement les problèmes des modèles de recommandation Internet actuels et améliorer la précision, le degré de personnalisation et l'expérience de l'utilisateur des recommandations. Le modèle peut exploiter pleinement les relations et les caractéristiques du réseau d'information hétérogène pour fournir aux utilisateurs des résultats de recommandation plus précis et plus utiles. Le modèle de recommandation basé sur la mise en œuvre du PIN comprend les étapes clés suivantes : Traitement des données : Tout d'abord, les données du réseau d'informations hétérogènes doivent être prétraitées.

Il s'agit notamment d'encoder les représentations des utilisateurs, des éléments et des relations, par exemple en les convertissant sous forme numérique ou vectorielle en vue de leur utilisation dans le modèle. En outre, un méta-graphe de parcours doit être construit pour décrire les relations entre les nœuds. Sélection des méta-trajets : Dans HIN, les méta-trajets sont des chemins décrivant les relations entre les nœuds.

En fonction de la tâche de recommandation spécifique et des caractéristiques des données, un méta-chemin approprié doit être sélectionné. La sélection des méta-trajets doit se fonder sur la connaissance et l'expérience du domaine, afin de saisir la pertinence entre les utilisateurs et les éléments. Apprentissage de l'intégration des nœuds : Ensuite, les vecteurs d'intégration des nœuds doivent être appris pour représenter les caractéristiques des utilisateurs et des éléments en fonction des différents méta-trajets. Les méthodes d'apprentissage de l'intégration peuvent inclure des méthodes basées sur l'apprentissage profond ainsi que des méthodes basées sur la décomposition de la matrice telles que les modèles de décomposition de la matrice.

Modélisation des relations et fusion des caractéristiques : à cette étape, le modèle utilise les vecteurs d'intégration des nœuds appris pour modéliser les relations entre les nœuds. En tenant compte des interrelations entre les méta-trajets, il est possible de fusionner les informations sur les caractéristiques des différents méta-trajets. Les approches couramment utilisées comprennent l'utilisation d'un mécanisme d'attention pour modéliser les poids des différents méta-trajets afin de mieux saisir les corrélations entre les nœuds.

Recommandation personnalisée : enfin, les vecteurs d'intégration des nœuds appris et les résultats de la modélisation des relations sont utilisés pour les recommandations personnalisées. En mesurant les préférences de l'utilisateur pour les différents méta-trajets, il est possible de fournir des recommandations plus précises et plus personnalisées. Les algorithmes de recommandation couramment utilisés comprennent la recommandation basée sur le contenu et les algorithmes de filtrage collaboratif. Pour améliorer encore les performances du modèle, WiMi explore également de nouvelles méthodes d'apprentissage intégré, de modélisation des relations et de stratégies de fusion des caractéristiques.

En améliorant les capacités de représentation du modèle et les algorithmes d'apprentissage, les caractéristiques des utilisateurs et des articles peuvent être mieux saisies et fournir des résultats de recommandation plus précis. Malgré les progrès significatifs réalisés jusqu'à présent dans le modèle, il reste encore des défis à relever et des pistes de recherche à explorer. Par exemple, comment mieux sélectionner et utiliser les méta-trajets, comment gérer les données HIN dynamiques et à grande échelle, et comment améliorer encore l'efficacité et la stabilité du modèle.

Ces questions offrent de riches opportunités et défis pour la recherche appliquée de la technologie. Avec l'application du modèle et la poursuite de la recherche, il est raisonnable de penser que les modèles de recommandation basés sur des réseaux d'information hétérogènes joueront un rôle important dans le domaine de la recommandation personnalisée.