Бул изилдөө сейрек колдонуучу–элемент өз ара аракеттенүүлөрүндө жалаң экилик колдонуучу–элемент байланыштарына таянган салттуу сунуштоо ыкмалары өткөрүп жибериши мүмкүн болгон жогорку даражадагы биргелешкен түзүлүштү жана элементтердин тышкы семантикалык билимин бир эле моделде бириктирген билимге таянган сунуштоо тутумунун алкагын изилдейт. Сунушталган алкак; колдонуучулардын тарыхынан түзүлгөн элементтик гиперграфтан, баштапкы колдонуучу өкүлчүлүктөрүн жергиликтүү деңгээлде жакшырткан top-k колдонуучу окшоштук графынан жана элементтердин билим графындагы бир-секириктүү коңшуларын колдонуучуга көз каранды байланыш салмактары менен бириктирген билим графынын агрегаторунан турат. Гиперграф экилик байланыштан тышкары бир эле колдонуучунун тарыхында чогуу кездешкен элементтердин топтук деңгээлдеги түзүлүшүн үйрөнөт, ал эми билим графынын бутагы элементтерге семантикалык контекст берет. Акыркы колдонуучу жана элемент өкүлчүлүктөрү көп катмарлуу персептронго берилет жана модель колдонуучу–элемент шайкештик упайын чыгарат.

MovieLens-1M, Last.FM жана Book-Crossing маалымат топтомдорунда жүргүзүлгөн туруктуу офлайн benchmark баалоосунда сунушталган модель макалада салыштырылган LightGCN, ENMF, NeuMF жана HMKRec ыкмаларына салыштырмалуу AUC, тактык жана Recall@K көрсөткүчтөрү боюнча жалпысынан күчтүү натыйжа берген. Мисалы, туруктуу benchmark протоколунда MovieLens-1M үчүн AUC 0,8737 жана ACC 0,7202; Last.FM үчүн AUC 0,8620 жана ACC 0,6954; Book-Crossing үчүн AUC 0,7287 жана ACC 0,5623 деп билдирилген. Бирок бул натыйжалар изилдөөдө колдонулган маалыматты иштетүү, терс үлгүлөө жана талапкерлерди тизмелөө протоколунун алкагында гана бааланышы керек. Изилдөө модель бардык сунуштоо тутумдарында универсалдуу түрдө артык экенин же офлайн benchmark ийгилиги түздөн-түз реалдуу дүйнөдөгү колдонуучу канааттануусуна айланарын көрсөтпөйт.

Сунуштоо тутумдарындагы негизги көйгөй

Сунуштоо тутуму белгилүү бир колдонуучунун кайсы фильмге, ырга, китепке же башка элементке кызыгуу ыктымалдыгы жогору экенин божомолдоого аракет кылат. Эң жөнөкөй биргелешкен чыпкалоо ыкмалары бул божомолду мурдагы колдонуучу–элемент өз ара аракеттенүүлөрүнөн чыгарат. Бирок реалдуу маалымат топтомдорунда колдонуучулар каталогдогу элементтердин өтө аз бөлүгү менен гана өз ара аракеттенгендиктен, өз ара аракеттенүү матрицасы адатта абдан сейрек болот.

Бул сейрек түзүлүш эки маанилүү маалымат жоготуусуна алып келиши мүмкүн. Биринчиден, стандарттык колдонуучу–элемент графы көбүнчө экилик байланыштарды гана көрсөтөт жана бир эле колдонуучунун тарыхында чогуу болгон көп сандагы элементтер түзгөн топтук түзүлүштү түздөн-түз коддобойт. Экинчиден, жалаң өз ара аракеттенүү жазуулары каралганда элементтердин түрү, байланыштары же тышкы билим базасындагы семантикалык байланыштары жетиштүү колдонулбайт.

Изилдөөнүн негизги ыкмасы бул эки маалымат булагын өзүнчө, бирок бири-бирин толуктаган бутактарда иштетүү. Колдонуучунун тарыхы гиперграф аркылуу жогорку даражадагы биргелешкен түзүлүштү түзөт; билим графы элементтердин семантикалык контекстин камсыз кылат. Мындан тышкары колдонуучулардын баштапкы өкүлчүлүктөрүнүн окшоштуктары өзүнчө колдонуучу графында жайылтылат.

Гиперграф Бул Сунуштоо Тутумунда Эмнени Билдирет?

Бул изилдөөдөгү гиперграф — түйүндөрүн элементтер түзгөн жана ар бир колдонуучу мурда өз ара аракеттенген элементтердин топтому бир гипер-кыр катары көрсөтүлгөн жогорку даражадагы байланыш түзүлүшү. Ошентип, кадимки графтагы эки түйүндүн ортосундагы жалгыз байланыштан айырмаланып, бир колдонуучу бир тарыхтын ичинде тандаган көп элемент жалпы бир гипер-кырдын астында чогуу моделдениши мүмкүн.

Колдонуучулар топтому \(U\), элементтер топтому \(V\) жана колдонуучу \(u\) өз ара аракеттенген элементтер \(I_u\) менен белгиленгенде, колдонуучуга туура келген гипер-кыр төмөнкүдөй аныкталат:

\[ e_u=\{v\mid v\in I_u\} \]

Бул жерде маанилүү нерсе — колдонуучу гиперграфтын түйүнү эмес. Гиперграфтын түйүндөрү элементтер болуп саналат; колдонуучунун тарыхы болсо бул элементтерди өз ара байланыштырган гипер-кырды аныктайт. Бул дизайн, мисалы, бир колдонуучу тандаган беш элементти беш өзүнчө экилик байланыш катары кароонун ордуна, ошол беш элементтин жалпы жүрүм-турум контекстин бир структуралык бирдикте көрсөтүүгө мүмкүндүк берет.

Гиперграфтын инциденттик матрицасы \(H\), бир элемент белгилүү бир гипер-кырга тиешелүүбү же жокпу көрсөтөт:

\[ H_{v,e_u}= \begin{cases} 1, & v\in e_u\\ 0, & \text{aksi halde} \end{cases} \]

Гиперграфтык конволюция учурунда маалымат адегенде элементтерден гипер-кырларга, андан кийин гипер-кырлардан кайра элементтерге жайылат. Булакта колдонулган негизги жайылтуу түзүлүшү:

\[ X^{(l+1)}= \sigma\left( D_v^{-1/2} H D_e^{-1} H^{T}D_v^{-1/2} X^{(l)}W^{(l)} \right) \]

түрүндө. Бул жерде \(X^{(l)}\), \(l\)-катмардагы элемент embedding матрицасын; \(W^{(l)}\), үйрөнүлүүчү салмак матрицасын; \(D_v\), элемент даража матрицасын; \(D_e\), гипер-кыр даража матрицасын; \(\sigma\) болсо активдештирүү функциясын билдирет. Нормалдаштырылган матрицалык көбөйтүү өтө көп кездешкен элементтердин байланыш саны жогору болгону үчүн гана жайылтууда көзөмөлсүз үстөмдүк кылышын азайтууга жардам берет.

Элемент өкүлчүлүктөрүнөн колдонуучу өкүлчүлүгүнө өтүү

Гиперграф катмарлары биринчи этапта түздөн-түз колдонуучу embedding-ин түзбөйт. Адегенде жогорку даражадагы байланыштарды алып жүргөн элемент embedding-дери үйрөнүлөт. Андан соң ар бир колдонуучу үчүн ал өз ара аракеттенген элементтердин акыркы гиперграф өкүлчүлүктөрү орточолонуп, баштапкы колдонуучу вектору алынат:

\[ h_u^{(0)} = \frac{1}{|I_u|} \sum_{v\in I_u} x_v^{(L_h)} \]

Бул айырма моделдин архитектурасын түшүнүү үчүн маанилүү: гиперграф бутагы “колдонуучу түйүндөрүн” түздөн-түз иштетпейт, колдонуучунун тарыхы түзгөн гипер-кырлар аркылуу элементтерди иштетет жана колдонуучу өкүлчүлүгү кийин ушул элемент өкүлчүлүктөрүнөн чыгарылат.

Колдонуучу Окшоштук Графы Эмне Үчүн Экинчи Колдонуучу Моделдөө Этапын Кошот?

Колдонуучу окшоштук графы гиперграфтан алынган баштапкы колдонуучу embedding-дерин бири-бирине жакын колдонуучулар арасында жайылтып, жергиликтүү табит окшоштугун моделдеген экинчи колдонуучу-өкүлчүлүк этабы. Гиперграф кеңири топтук деңгээлдеги жалпы элемент түзүлүшүн кармайт, ал эми окшоштук графы embedding мейкиндигинде бири-бирине жакын колдонуучулардын маалыматын түздөн-түз коңшулук байланышы катары иштетет.

Эки колдонуучунун окшоштугу баштапкы колдонуучу векторлорунун косинустук окшоштугу менен эсептелет:

\[ S(u_i,u_j) = \frac{ h_{u_i}^{T}h_{u_j} }{ \|h_{u_i}\|\|h_{u_j}\| } \]

Бардык колдонуучу жуптарын толук байланышкан графка айлантуу эсептөө чыгымын да, маанисиз алсыз байланыштарды да көбөйтө тургандыктан, модель ар бир колдонуучу үчүн эң жогорку окшоштукка ээ болгону 50 колдонуучуну гана сактайт. Ошентип top-k сейректетилген колдонуучу графы алынат.

Изилдөөнүн азыркы ишке ашыруусунда бул колдонуучу графы окутуу жүрүшүндө динамикалык түрдө кайра түзүлбөйт. Ал гиперграфтан pooled болгон баштапкы колдонуучу векторлорунан бир жолу түзүлүп, туруктуу кармалат. Колдонуучу графы бутагында бир гана графтык жайылтуу катмары колдонулат; авторлор муну ашыкча тегиздөө коркунучун чектеген дизайн катары сунушташат.

Статикалык гиперграф божомолу

Гиперграф да өткөн өз ара аракеттенүүлөрдөн алынган туруктуу офлайн сүрөт катары колдонулат. Бул тандоо MovieLens-1M, Last.FM жана Book-Crossing сыяктуу туруктуу benchmark маалымат топтомдоруна шайкеш келет. Бирок колдонуучунун табити убакыт өтүшү менен өзгөрүшү мүмкүн болгондуктан, бул божомол жандуу өндүрүш чөйрөлөрүндө өзүнчө текшерилиши керек. Изилдөө өзү убакыт боюнча табиттин жылышын моделдебейт жана динамикалык гиперграфты өнүктүрүүнү келечектеги иш катары калтырат.

Билим Графы Колдонуучуга Мүнөздүү Элемент Өкүлчүлүгүн Кантип Түзөт?

Билим графынын бутагы ар бир элементти билим графындагы тиешелүү entity менен дал келтирип, ошол entity-нин бир-секириктүү коңшуларынан семантикалык маалымат чогултат. Бул топтоо туруктуу коңшу орточосу эмес; кайсы байланыш маанилүүрөөк экени максаттуу колдонуучуга жараша салмакталат. Ошентип бир эле элементтин семантикалык өкүлчүлүгү ар башка колдонуучулар үчүн ар башка байланыш басымына ээ болушу мүмкүн.

Моделде ар бир элемент үчүн 16 билим графынын коңшусу сакталат. Entity жана relation embedding-дери адегенде DistMult менен жеңил алдын ала окутуудан өткөрүлүп, кийин сунуштоо тутуму менен бирге майда жөнгө салынат.

Колдонуучу \(u\) жана байланыш түрү \(r\) үчүн артыкчылык коэффициенти softmax түзүлүшү менен эсептелет:

\[ \alpha_{u,r} = \frac{ \exp(z_u^{T}r) }{ \sum_{r'\in\mathcal{R}_u} \exp(z_u^{T}r') } \]

Бул коэффициент колдонуучу embedding-и менен байланыш embedding-и ортосундагы шайкештикке жараша белгилүү байланыш түрлөрүн көбүрөөк же азыраак таасирдүү кылат. Андан кийин максаттуу entity \(e_v\) коңшу entity-лер менен бириктирилип, колдонуучуга шартталган семантикалык элемент өкүлчүлүгү түзүлөт:

\[ z_{u,v} = \sigma \left( W_e \left[ e_v+ \sum_{(r,e_j)\in\mathcal{N}(e_v)} \alpha_{u,r}e_j \right] \right) \]

Бул механизм көп-секириктүү KG билдирүү таратуусу эмес. Изилдөөдө атайын бир-секириктүү коңшулук колдонулат. Ошондуктан натыйжаларды “терең билим графы боюнча ой жүгүртүү” катары чечмелөөгө болбойт.

Божомол вектору жана MLP

Акыркы этапта такталган колдонуучу embedding-и менен колдонуучуга мүнөздүү элемент embedding-и бириктирилет. Булактын компакттуу теңдемесинде колдонуучу жана элемент векторлору менен элементтик негиздеги өз ара аракеттенүү колдонулса да, алгоритмдик түшүндүрмө абсолюттук айырма компоненти да толук дескрипторго кирерин көрсөтөт. Ошондуктан изилдөөнүн тексттик түшүндүрмөсү менен компакттуу Теңдеме (8) ортосунда көрсөтүү деңгээлинде айырма бар; Verianla түшүндүрмөсүндө бул айырма жашырылбашы керек.

MLP божомолу жалпы түрдө:

\[ \hat y_{u,v} = \sigma \left( W_2\, \phi(W_1x_{u,v}+b_1)+b_2 \right) \]

түрүндө. Бул жерде \(\phi\), ReLU активдешүүсүн; акыркы sigmoid катмары болсо колдонуучу–элемент жубунун оң өз ара аракеттенүү ыктымалдыгына туура келген упайды чыгарат.

Популярдуулук Түзөтүүсү Модель Үйрөнгөн Негизги Механизмби?

Жок. Популярдуулукка багытталган иштетүү негизги моделдин окутуу архитектурасынын ордуна келген башкы үйрөнүү механизми эмес, түзүлгөн сунуштоо упайларына каалоого жараша колдонулуучу жеңил акыркы иштетүү калибрлөөсү. Изилдөө бул кадамды “узун куйрук көрсөткүчүн жалгыз камсыз кылган механизм” катары чечмелөөгө болбой турганын атайын белгилейт.

Булакта берилген акыркы-упай түзөтүүсү:

\[ y'_{u,v} = \hat y_{u,v} - \lambda\log(1+\mathrm{pop}(v)) \]

түрүндө. Бул жерде \(\mathrm{pop}(v)\), элементтин окутуу маалыматындагы өз ара аракеттенүүлөр санын; \(\lambda\) болсо валидация протоколунда туураланган коэффициентти билдирет. Популярдуу элементтин өз ара аракеттенүү саны өскөн сайын логарифмдик жаза чоңоюп, акыркы рейтингдеги ашыкча үстөмдүгү азайтылышы мүмкүн.

Бирок изилдөөдө бул акыркы иштетүү компонентинин өзүнчө таасирин өлчөгөн көз карандысыз абляция жок. Ошондуктан моделдин узун куйрук жүрүм-турумундагы өзгөрүүнүн канчасы ушул түзөтүүгө, канчасы гиперграф/KG түзүлүшүнө таандык экенин так бөлүү мүмкүн эмес.

Окутуу жоготуусу

Модель байкалган оң колдонуучу–элемент жуптары жана үлгүлөнгөн терс жуптар боюнча чекиттик binary cross-entropy менен окутулат:

\[ \mathcal{L} = - \sum_{(u,v)\in\mathcal{Y}^{+}} \log \hat y_{u,v} - \sum_{(u,v)\in\mathcal{Y}^{-}} \log(1-\hat y_{u,v}) \]

Бул жоготуу оң өз ара аракеттенүүлөрдүн жогорку, терс үлгүлөрдүн төмөн упай алышын стимулдайт. Бул жердеги “терс” сөз колдонуучу чындап эле элементти жактырбаганын сөзсүз билдирбейт; изилдөө протоколунда байкалбаган элементтердин арасынан тандалган окутуу жуптарын түшүндүрөт.

Баалоо метрикалары

Изилдөө байланыш божомолу үчүн Accuracy (ACC) жана ROC ийри сызыгынын астындагы аянтты билдирген AUC; Top-K сунуштоо үчүн Recall@K колдонот.

\[ ACC= \frac{TP+TN} {TP+TN+FP+FN} \]

AUC кокус тандалган оң өз ара аракеттенүүгө кокус тандалган терс өз ара аракеттенүүгө караганда жогору упай берүү ыктымалдыгы аркылуу моделдин рейтингдик айырмалоо жөндөмүн өлчөйт.

Бир колдонуучу үчүн Recall@K:

\[ Recall@K(u) = \frac{ |\mathcal{R}_u(K)\cap\mathcal{T}_u| }{ |\mathcal{T}_u| } \]

түрүндө эсептелет. Бул жерде \(\mathcal{R}_u(K)\), колдонуучуга сунушталган алгачкы K элементти; \(\mathcal{T}_u\) болсо тест маалыматындагы чыныгы оң элементтерди билдирет. Тутум деңгээлиндеги Recall@K колдонуучу боюнча маанилердин макро орточосу болуп саналат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Маалымат топтомдору жана алдын ала иштетүү

Изилдөө үч башка тармакты көрсөткөн MovieLens-1M, Last.FM жана Book-Crossing benchmarkтарын колдонот. Фильм, музыка жана китеп тармактарын бирге баалоо моделдин бир эле өз ара аракеттенүү түзүлүшүнө көз каранды болуп калбаганын байкоо үчүн маанилүү.

MovieLens-1Mде 4 жана андан жогору упайлар оң кыйыр кайтарым байланыш катары белгиленет. Last.FMдин кыйыр кайтарым байланыш түзүлүшү жана Book-Crossingдин жогорку сейректиги себептүү сакталган мурунку өз ара аракеттенүүлөр оң деп кабыл алынат. Минималдуу колдоо чеги MovieLens-1M жана Last.FM үчүн 20 өз ара аракеттенүү; Book-Crossing үчүн ылайыкташтырылган fallbackтен кийин 3 өз ара аракеттенүү.

Иштетүүдөн кийин маалымат топтомдорунун сейректиги тиешелүүлүгүнө жараша %95,48, %94,54 жана %99,91 деп билдирилген. Бул маанилер, өзгөчө Book-Crossingде колдонуучу–элемент матрицасындагы маалымат канчалык чектелүү экенин көрсөтөт.

Окутуу жөндөөлөрү

• Embedding өлчөмү: 128.
• KG DistMult алдын ала окутуу: Adam, үйрөнүү ылдамдыгы 1×10^-3, weight decay 1×10^-5, batch size 2048, 5 epoch.
• Негизги модель: Adam, 30 epoch.
• Негизги үйрөнүү ылдамдыгы: 5×10^-4.
• Weight decay: 5×10^-5.
• Batch size: 2048.
• KG коңшу саны: 16.
• Колдонуучу окшоштук графында top-k: 50.
• MovieLens-1M жана Last.FM окутуусунда ар бир оң үлгүгө 4 терс.
• Book-Crossing окутуусунда ар бир оң үлгүгө 8 терс.
• Кайталанган абляцияда ар бир оң үлгүгө 6 терс.
• AUC/ACC баалоосунда ар бир оң үлгүгө 1 терс.
• Recall@K баалоосунда ар бир колдонуучуга 100 талапкер элемент.

Ишке ашыруу Python 3.12 жана PyTorch 2.5.1 менен Windows 11де жүргүзүлгөн. Изилдөөдө ошондой эле NumPy 2.3.5, pandas 3.0.1 жана Pillow 12.2.0 колдонулганы; эсептөөлөр Intel Core i7-12800HX процессорунда жана NVIDIA GeForce RTX 4070 Laptop GPUда аткарылганы билдирилген.

Салыштырылган ыкмалар

Сунушталган модель төрт baseline менен бир эле маалымат бөлүштүрүүсү жана баалоо протоколу астында кайра иштетилип салыштырылган:

• LightGCN
• ENMF
• NeuMF
• HMKRec

Бул жагдай натыйжаларды чечмелөөдө абдан маанилүү. Изилдөө адабияттагы бардык ыкмалардын натыйжаларын бириктирип, универсалдуу рейтинг түзбөйт. Авторлордун дооматы бир эле эксперименттик протокол астында салыштырылган ушул baseline топтому менен гана чектелет.

Туруктуу benchmark AUC жана ACC натыйжалары

Туруктуу benchmark натыйжаларында сунушталган ыкма үч маалымат топтомунда тең салыштырылган baseline моделдеринин арасында эң жогорку AUC маанисин берген. ACC боюнча да бул негизги benchmark таблицасында эң жогорку маанилер сунушталган ыкмага таандык.

Recall@K натыйжалары

Recall@K ийри сызыктары сунушталган ыкма изилдөөдө салыштырылган baseline моделдерине каршы күчтүү рейтингдик натыйжа бергенин көрсөтөт. Бирок Recall@K бул экспериментте 100 талапкер элементтин арасынан үлгүлөнгөн рейтинг протоколунда эсептелгендиктен, толук каталогдук сунуштоо көрсөткүчүнө түздөн-түз барабар эмес. Ошондой эле жогорку Recall@K өз алдынча узун-куйрук элементтер көбүрөөк көрсөтүлгөнүн далилдебейт.

Абляциялык Изилдөө Моделдин Кайсы Компоненттери Маанилүү Экенин Көрсөтөт?

Абляциялык изилдөө толук моделден колдонуучу окшоштук графы же гиперграф бутагы алынып салынганда көрсөткүч кандай өзгөрөрүн беш көз карандысыз random seed боюнча салыштырат. Натыйжалар гиперграф да, колдонуучу окшоштук бутагы да жалпы рейтингдик көрсөткүчкө салым кошорун, AUC жагынан өзгөчө колдонуучу окшоштук бутагын алып салуу чоңураак төмөндөөгө алып келерин көрсөтөт.

Абляция натыйжаларында маанилүү бир нюанс бар. MovieLens-1Mде толук моделдин ACC мааниси 0,6210 болсо, гиперграф алынып салынган вариант 0,6353 ACCге жеткен. Ошондуктан “толук модель ар бир маалымат топтомунда жана ар бир метрикада сөзсүз эң мыкты” деген түшүндүрмө булак тарабынан колдоого алынбайт. Авторлор да натыйжаларды этият түрдө, толук модель өзгөчө AUC жана маалымат топтомдору боюнча көп метрикалуу тең салмактуулук жагынан күчтүү деп чечмелешет.

Негизги benchmarkтагы толук модель маанилери менен абляция графигиндеги толук модель маанилеринин бирдей эместиги ката эмес. Булак ачык түрдө 2-Сүрөт туруктуу негизги benchmark протоколун, 4-Сүрөт болсо өзүнчө кайталанган-seed абляция протоколун көрсөтөрүн билдирет.

Эсептөө татаалдыгы

Моделдин чыгымындагы маанилүү компоненттер төмөнкүлөр:

• Гиперграф жайылтуусу: \(O(L_h \cdot nnz(H)\cdot d)\)
• Колдонуучу окшоштук графын бардык жуптар боюнча түзүү: сейректетүүдөн мурда болжол менен \(O(|U|^2d)\)
• Колдонуучу графынын жайылтуусу: \(O(L_g\cdot |E_u|\cdot d)\)
• Бир-секириктүү KG агрегаттоосу: \(O(B\cdot K\cdot d)\)
• MLP упайлоосу: болжол менен \(O(B\cdot d^2)\)

Бул татаалдык түзүлүшүндө өзгөчө колдонуучулар арасындагы жуптук окшоштук эсептөөсү чоң колдонуучу мейкиндиктеринде масштабдуулуктагы тоскоолдук жаратышы мүмкүн. Булактын талкуу бөлүгүндө да колдонуучу окшоштук графы чоңураак колдонуучу топтомдорунда кымбатка түшүшү мүмкүн экени ачык чектөө катары көрсөтүлгөн.

Изилдөө колдогон жыйынтыктар

• Гиперграф колдонуучу тарыхындагы топтук деңгээлдеги элемент биргелешүүлөрүнөн жогорку даражадагы биргелешкен сигнал чыгара алат.
• Гиперграфтан түзүлгөн баштапкы колдонуучу embedding-дерин өзүнчө колдонуучу окшоштук графы менен тактоо эксперименттерде кошумча салым берген.
• Бир-секириктүү билим графынын коңшуларын колдонуучуга шартталган байланыш салмактары менен агрегаттоо семантикалык элемент өкүлчүлүгүнө кошумча маалымат берет.
• Үч компонент бирге колдонулган модель билдирилген негизги benchmark протоколунда салыштырылган baseline топтомуна каршы күчтүү натыйжа берген.
• Абляция колдонуучу окшоштук бутагы менен гиперграф бутагы өзгөчө AUC боюнча салым кошорун көрсөтөт.

Изилдөө колдобогон жыйынтыктар

• Модель бардык учурдагы сунуштоо тутумдарынан универсалдуу түрдө артык экени көрсөтүлгөн эмес.
• Офлайн benchmark натыйжасы реалдуу колдонуучу канааттануусун же коммерциялык конверсияны түздөн-түз далилдебейт.
• Изилдөө жандуу A/B тестин камтыбайт.
• Модель колдонуучу табитинин убакыт боюнча өзгөрүшүн динамикалык түрдө моделдебейт.
• Билим графынын бутагы бир-секириктүү; терең көп-секириктүү семантикалык ой жүгүртүү сыналган эмес.
• Популярдуулукка багытталган акыркы-упай түзөтүүсүнүн өз алдынча салымы атайын абляция менен өлчөнгөн эмес.
• Recall@K натыйжалары өз алдынча узун-куйрук көрүнүктүүлүгүнүн көбөйгөнүнүн далили эмес.
• Фильм, музыка жана китептен башка тармактарга жалпылоо бул изилдөөнүн ичинде эксперименттик түрдө тастыкталган эмес.

Илимий мааниси

Изилдөөнүн маанилүү жагы — бир графтык өкүлчүлүктү “тереңирээк” кылуунун ордуна үч түрдүү маалыматты өзүнчө функциялар менен бириктирүү. Гиперграф топтук деңгээлдеги жүрүм-турумду, колдонуучу окшоштук графы жергиликтүү колдонуучу жакындыгын, ал эми билим графы элементтердин байланыштык семантикасын алып жүрөт. Бул айырмалоо сейрек маалымат шартында бир эле көйгөйдү ар башка маалымат булактарынан толуктоону көздөгөн өкүлчүлүк үйрөнүү стратегиясы.

Ошол эле учурда архитектуранын татаалдыгы да өсөт. Гиперграфты, колдонуучу графын, билим графын жана MLPни бирге кармоо көбүрөөк маалымат даярдоо, entity дал келтирүү жана эсептөө кадамдарын талап кылат. Айрыкча билим графынын сапаты төмөн болгон же элементтер тышкы entity-лерге ишенимдүү дал келтирилбеген тармактарда KG бутагынын күтүлгөн салымы азайышы мүмкүн.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: Knowledge-Aware Recommendation Based on Hypergraph and Knowledge Graph

Авторлор: Shunping Niu; Kuo Chi; Ting Su; Yongqin Yang; Jiabao Gao.

Жооптуу автор: Kuo Chi.

Мекеме: School of Information and Communication Engineering, Hainan University, Haikou 570228, China.

Журнал: AI, 2026, Том 7, Сан 6, Макала 215.

DOI: 10.3390/ai7060215

Басмакана: MDPI.

Тапшырылган: 22 апрель 2026. Кайра каралган: 7 июнь 2026. Кабыл алынган: 8 июнь 2026. Жарыяланган: 11 июнь 2026.

Лицензия: Creative Commons Attribution (CC BY). Бул Verianla тексти булак макаланын сүйлөм түзүлүшүн же түпнуска сүрөт композицияларын кайра чыгарбайт; илимий фактылар, теңдемелер, ыкма жана өлчөө жыйынтыктары көз карандысыз окутуучу түзүлүштө түшүндүрүлгөн.

Каржылоо: Изилдөө Hainan Provincial Natural Science Foundation, Hainan Province Key Research and Development Program жана National Natural Science Foundation of China алкагындагы ар түрдүү гранттар менен колдоого алынган.

Маалыматтын жеткиликтүүлүгү: MovieLens-1M, Last.FM жана Book-Crossing жалпыга ачык benchmark маалымат топтомдору. Изилдөөдө колдонулган билим графынын түзүлүштөрү макалада шилтеме берилген мурунку маалымат даярдоо иштерине негизделет.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышын билдиришкен эмес.

Негизги методологиялык чектөөлөр: Колдонуучу окшоштук графы туруктуу жана top-k сейректетилген; колдонуучулардын саны өскөн сайын аны түзүү чыгымы көбөйүшү мүмкүн. KG коддогучу бир-секириктүү жана entity дал келтирүү сапатына көз каранды. Популярдуулукка багытталган кайра рейтингдөө компонентинин өз алдынча таасирин өлчөгөн атайын абляция жок. Эксперименттер офлайн benchmark протоколу менен чектелет.

Сүрөт жана график колдонуу: Булак макаланын түпнуска 1–5-сүрөт дизайндарын түздөн-түз көчүрүүгө болбойт. Verianla версиясында фактылык маалымат колдонулса, жаңы октор, типография жана композиция менен көз карандысыз графиктер; модель архитектурасы үчүн болсо ошол эле илимий байланыштарды сактаган, бирок визуалдык жактан көз карандысыз техникалык схема даярдалышы керек.