Ин таҳқиқот чаҳорчӯбаи низоми тавсиядиҳии огоҳ аз донишро меомӯзад, ки дар ҳамкориҳои парокандаи корбар–унсур сохтори ҳамкории дараҷаи баландеро, ки усулҳои анъанавии тавсиявии танҳо бар пайвандҳои дугонаи корбар–унсур асосёфта метавонанд аз даст диҳанд, бо дониши семантикии берунии унсурҳо дар як модел муттаҳид мекунад. Чаҳорчӯбаи пешниҳодшуда аз гиперграфи унсурҳо, ки аз таърихи корбарон сохта мешавад, графи монандии top-k-и корбарон, ки тасвирҳои ибтидоии корбарро ба таври маҳаллӣ беҳтар мекунад, ва агрегатори графи дониш, ки ҳамсояҳои як-қадамаи унсурҳоро дар графи дониш бо вазнҳои муносибати вобаста ба корбар муттаҳид менамояд, иборат аст. Гиперграф берун аз пайванди дугона сохтори сатҳи гурӯҳии унсурҳоеро меомӯзад, ки дар таърихи як корбар якҷо дида мешаванд, дар ҳоле ки шохаи графи дониш ба унсурҳо заминаи семантикӣ медиҳад. Тасвирҳои ниҳоии корбар ва унсур ба персептрони бисёрқабата дода мешаванд ва модел холҳои мувофиқати корбар–унсурро тавлид мекунад.

Дар арзёбии собити офлайнии benchmark дар маҷмӯаҳои додаҳои MovieLens-1M, Last.FM ва Book-Crossing, модели пешниҳодшуда нисбат ба усулҳои LightGCN, ENMF, NeuMF ва HMKRec, ки дар мақола муқоиса шудаанд, дар меъёрҳои AUC, дақиқӣ ва Recall@K умуман натиҷаҳои қавӣ нишон додааст. Масалан, дар протоколи собити benchmark барои MovieLens-1M AUC 0,8737 ва ACC 0,7202; барои Last.FM AUC 0,8620 ва ACC 0,6954; барои Book-Crossing AUC 0,7287 ва ACC 0,5623 гузориш шудааст. Бо вуҷуди ин, ин натиҷаҳо бояд танҳо дар доираи коркарди додаҳо, намунагирии манфӣ ва протоколи рӯйхатбандии номзадҳо, ки дар таҳқиқот истифода шудааст, арзёбӣ шаванд. Таҳқиқот нишон намедиҳад, ки модел дар ҳамаи низомҳои тавсиявӣ ба таври умумӣ бартарӣ дорад ё муваффақияти benchmark-и офлайн мустақиман ба қаноатмандии корбарони ҷаҳони воқеӣ табдил меёбад.

Мушкилоти асосӣ дар низомҳои тавсиявӣ

Низоми тавсиявӣ мекӯшад пешбинӣ кунад, ки эҳтимоли таваҷҷуҳи як корбари муайян ба кадом филм, суруд, китоб ё унсури дигар баландтар аст. Содатарин равишҳои филтркунии ҳамкорона ин пешбиниро аз ҳамкориҳои гузаштаи корбар–унсур ҳосил мекунанд. Аммо дар маҷмӯаҳои додаҳои воқеӣ корбарон танҳо бо қисми хеле ками унсурҳои каталог ҳамкорӣ мекунанд ва аз ин рӯ матритсаи ҳамкорӣ одатан ниҳоят пароканда аст.

Ин сохтори пароканда метавонад ба ду талафоти муҳими иттилоот оварда расонад. Якум, графи стандартии корбар–унсур асосан пайвандҳои дугонаро ифода мекунад ва сохтори гурӯҳиро, ки аз унсурҳои зиёди якҷо дар таърихи як корбар мавҷудбуда ба вуҷуд меояд, мустақиман код намекунад. Дуюм, вақте танҳо сабтҳои ҳамкорӣ ба назар гирифта мешаванд, навъи унсурҳо, муносибатҳои онҳо ё пайвандҳои семантикии онҳо дар пойгоҳи берунии дониш ба қадри кофӣ истифода намешаванд.

Равиши асосии таҳқиқот коркарди ин ду манбаи иттилоот дар шохаҳои ҷудо, вале ҳамдигарро пуркунанда аст. Таърихи корбарон тавассути гиперграф сохтори ҳамкории дараҷаи баландро месозад; графи дониш бошад заминаи семантикии унсурҳоро таъмин мекунад. Илова бар ин, монандиҳои байни тасвирҳои ибтидоии корбарон дар графи алоҳидаи корбарон паҳн карда мешаванд.

Гиперграф Дар Ин Низоми Тавсиявӣ Чиро Ифода Мекунад?

Гиперграф дар ин таҳқиқот сохтори муносибати дараҷаи баланд аст, ки гиреҳҳояшро унсурҳо ташкил медиҳанд ва маҷмӯи унсурҳое, ки ҳар корбар дар гузашта бо онҳо ҳамкорӣ кардааст, ҳамчун як гиперқирра ифода мешавад. Ҳамин тавр, бар хилофи як пайванди ягона байни ду гиреҳ дар графи маъмулӣ, унсурҳои зиёде, ки як корбар дар дохили як таърих интихоб кардааст, метавонанд зери як гиперқирраи умумӣ якҷо модел карда шаванд.

Агар маҷмӯи корбарон бо \(U\), маҷмӯи унсурҳо бо \(V\) ва унсурҳое, ки корбар \(u\) бо онҳо ҳамкорӣ кардааст, бо \(I_u\) нишон дода шаванд, гиперқирраи мувофиқ ба корбар чунин таъриф мешавад:

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

Ҷузъиёти муҳим ин аст, ки корбар гиреҳи гиперграф нест. Гиреҳҳои гиперграф унсурҳо мебошанд; таърихи корбар бошад гиперқирраеро муайян мекунад, ки ин унсурҳоро бо ҳам мепайвандад. Ин тарҳ имкон медиҳад, масалан, ба ҷойи дидани панҷ унсури интихобкардаи як корбар ҳамчун панҷ пайванди ҷудогонаи дугона, заминаи умумии рафтории ин панҷ унсур дар як воҳиди сохторӣ ифода карда шавад.

Матритсаи инсидентии гиперграф \(H\) нишон медиҳад, ки оё як унсур ба гиперқирраи муайян тааллуқ дорад ё не:

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

Ҳангоми конволютсияи гиперграфӣ иттилоот аввал аз унсурҳо ба гиперқирраҳо ва сипас аз гиперқирраҳо боз ба унсурҳо паҳн мешавад. Сохтори асосии паҳншавӣ, ки дар манбаъ истифода шудааст:

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

чунин аст. Дар ин ҷо \(X^{(l)}\) матритсаи embedding-и унсурҳоро дар қабати \(l\)-ум; \(W^{(l)}\) матритсаи вазни омӯхташаванда; \(D_v\) матритсаи дараҷаи унсур; \(D_e\) матритсаи дараҷаи гиперқирра; ва \(\sigma\) функсияи фаъолсозиро ифода мекунад. Зарбкунии нормализатсияшудаи матритсаҳо барои кам кардани ҳолате кӯмак мекунад, ки унсурҳои хеле зуд-зуҳуркунанда танҳо ба сабаби шумораи зиёди пайвандҳо паҳншавиро бе назорат ҳукмрон кунанд.

Гузариш аз тасвирҳои унсур ба тасвири корбар

Қабатҳои гиперграф дар марҳилаи аввал embedding-и корбарро мустақиман тавлид намекунанд. Аввал embedding-ҳои унсурҳое омӯхта мешаванд, ки муносибатҳои дараҷаи баландро нигоҳ медоранд. Сипас барои ҳар корбар тасвирҳои ниҳоии гиперграфии унсурҳое, ки ӯ бо онҳо ҳамкорӣ кардааст, миёна гирифта шуда, вектори ибтидоии корбар ҳосил мешавад:

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

Ин фарқ барои фаҳмидани меъмории модел муҳим аст: шохаи гиперграф “гиреҳҳои корбар”-ро мустақиман коркард намекунад, балки унсурҳоро тавассути гиперқирраҳое, ки аз таърихи корбар ба вуҷуд омадаанд, коркард мекунад ва тасвири корбар баъдан аз ҳамин тасвирҳои унсур ҳосил мешавад.

Чаро Графи Монандии Корбар Марҳилаи Дуюми Моделсозии Корбарро Илова Мекунад?

Графи монандии корбар марҳилаи дуюми тасвири корбар аст, ки embedding-ҳои ибтидоии корбарро, ки аз гиперграф ҳосил шудаанд, байни корбарони ба ҳам наздик паҳн карда, монандии маҳаллии афзалиятҳоро модел мекунад. Дар ҳоле ки гиперграф сохтори васеътари умумии унсурҳоро дар сатҳи гурӯҳ мегирад, графи монандӣ иттилооти корбарони ба ҳам наздикро дар фазои embedding мустақиман ҳамчун муносибати ҳамсоягӣ коркард мекунад.

Монандии ду корбар бо монандии косинусии векторҳои ибтидоии корбар ҳисоб карда мешавад:

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

Азбаски ба графи пурра пайваст табдил додани ҳамаи ҷуфтҳои корбар ҳам харҷи ҳисоббарориро ва ҳам пайвандҳои сусти бемаъноро зиёд мекунад, модел барои ҳар корбар танҳо 50 корбареро, ки монандии баландтарин доранд, нигоҳ медорад. Ҳамин тавр графи корбарони top-k-и парокандашуда ба даст меояд.

Дар татбиқи ҷории таҳқиқот ин графи корбар дар тӯли омӯзиш ба таври динамикӣ аз нав сохта намешавад. Он як маротиба аз векторҳои ибтидоии корбар, ки аз гиперграф ҷамъбаст шудаанд, сохта шуда, собит нигоҳ дошта мешавад. Дар шохаи графи корбар як қабати ягонаи паҳншавии графӣ истифода мешавад; муаллифон инро тарҳе мешуморанд, ки хатари ҳамворшавии зиёдатиро маҳдуд мекунад.

Фарзи гиперграфи статикӣ

Гиперграф низ ҳамчун тасвири собити офлайнӣ, ки аз ҳамкориҳои гузашта ҳосил шудааст, истифода мешавад. Ин интихоб бо маҷмӯаҳои benchmark-и собит, монанди MovieLens-1M, Last.FM ва Book-Crossing, мувофиқ аст. Аммо азбаски афзалиятҳои корбар метавонанд бо гузашти вақт тағйир ёбанд, ин фарз бояд дар муҳитҳои истеҳсолии зинда алоҳида санҷида шавад. Худи таҳқиқот тағйири афзалиятҳоро дар вақт модел намекунад ва таҳияи гиперграфи динамикиро ҳамчун мавзӯи кори оянда мегузорад.

Графи Дониш Чӣ Гуна Тасвири Унсури Хоси Корбарро Месозад?

Шохаи графи дониш ҳар унсурро бо entity-и мувофиқ дар графи дониш ҳамоҳанг мекунад ва аз ҳамсояҳои як-қадамаи он entity иттилооти семантикӣ ҷамъ меорад. Ин раванди ҷамъкунӣ миёнаи собити ҳамсояҳо нест; аҳамияти ҳар муносибат вобаста ба корбари ҳадаф вазн дода мешавад. Ба ин тартиб, тасвири семантикии ҳамон як унсур барои корбарони гуногун метавонад таъкидҳои гуногуни муносибат дошта бошад.

Дар модел барои ҳар унсур 16 ҳамсояи графи дониш нигоҳ дошта мешавад. Entity ва relation embedding-ҳо аввал бо DistMult аз омӯзиши сабуки пешакӣ гузаронида шуда, сипас якҷо бо низоми тавсиявӣ дақиқ танзим карда мешаванд.

Барои корбар \(u\) ва навъи муносибат \(r\), коэффисиенти афзалият бо сохтори softmax ҳисоб карда мешавад:

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

Ин коэффисиент вобаста ба мувофиқати байни embedding-и корбар ва embedding-и муносибат, баъзе намудҳои муносибатро бештар ё камтар таъсирбахш мекунад. Сипас entity-и ҳадаф \(e_v\) бо entity-ҳои ҳамсоя муттаҳид шуда, тасвири семантикии унсур, ки ба корбар шарт шудааст, тавлид мегардад:

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

Ин механизм паёмрасонии бисёр-қадамии KG нест. Дар таҳқиқот махсусан ҳамсоягии як-қадама истифода мешавад. Аз ин рӯ, натиҷаҳоро набояд ҳамчун “истидлоли амиқи графи дониш” тафсир кард.

Вектори пешбинӣ ва MLP

Дар марҳилаи ниҳоӣ embedding-и такмилёфтаи корбар бо embedding-и унсури хоси корбар якҷо карда мешавад. Дар муодилаи фишурдаи манбаъ таъсири элементӣ байни векторҳои корбар ва унсур истифода мешавад, дар ҳоле ки тавсифи алгоритмӣ ҳамчунин нишон медиҳад, ки ҷузъи фарқи мутлақ ба дескриптори пурра дохил карда шудааст. Аз ин рӯ байни тавсифи матнии таҳқиқот ва Муодилаи фишурдаи (8) дар сатҳи ифода фарқ вуҷуд дорад; дар шарҳи Verianla ин фарқ набояд пинҳон карда шавад.

Пешбинии MLP умуман:

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

аст. Дар ин ҷо \(\phi\) фаъолсозии ReLU-ро; қабати ниҳоии sigmoid бошад холеро тавлид мекунад, ки ба эҳтимоли ҳамкории мусбати ҷуфти корбар–унсур мувофиқ аст.

Оё Ислоҳи Маъруфият Механизми Асосиест, Ки Модел Омӯхтааст?

Не. Коркарди огоҳ аз маъруфият механизми асосии омӯзише нест, ки меъмории омӯзиши модели асосиро иваз кунад, балки калибркунии сабуки паскоркард мебошад, ки метавонад ихтиёрӣ ба холҳои тавсиявии тавлидшуда татбиқ шавад. Таҳқиқот махсус таъкид мекунад, ки ин қадам набояд ҳамчун “механизме, ки танҳо худ иҷрои думи дарозро таъмин мекунад” тафсир шавад.

Ислоҳи холҳои ниҳоӣ, ки дар манбаъ дода шудааст:

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

аст. Дар ин ҷо \(\mathrm{pop}(v)\) шумораи ҳамкориҳои унсурро дар додаҳои омӯзиш; \(\lambda\) бошад коэффисиентеро ифода мекунад, ки дар протоколи санҷиш танзим мешавад. Бо зиёд шудани шумораи ҳамкориҳои унсури машҳур ҷаримаи логарифмӣ афзоиш ёфта, бартарии аз ҳад зиёди он дар рейтинги ниҳоӣ метавонад кам карда шавад.

Аммо дар таҳқиқот аблятсияи мустақиле вуҷуд надорад, ки таъсири ҷудогонаи ин ҷузъи паскоркардро чен кунад. Аз ин рӯ дақиқ ҷудо кардан мумкин нест, ки чӣ қадар тағйир дар рафтори думи дарози модел аз ин ислоҳ ва чӣ қадар аз сохтори гиперграф/KG бармеояд.

Талафоти омӯзиш

Модел дар ҷуфтҳои мусбати мушоҳидашудаи корбар–унсур ва ҷуфтҳои манфии намунагирифташуда бо pointwise binary cross-entropy омӯзонда мешавад:

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

Ин талафот ба ҳамкориҳои мусбат холҳои баланд ва ба намунаҳои манфӣ холҳои паст гирифтанро ташвиқ мекунад. “Манфӣ” дар ин ҷо ҳатман маънои онро надорад, ки корбар воқеан унсурро дӯст намедорад; он ҷуфтҳои омӯзиширо ифода мекунад, ки дар протоколи таҳқиқот аз байни унсурҳои мушоҳиданашуда намунагирӣ шудаанд.

Метрикаҳои арзёбӣ

Таҳқиқот барои пешбинии пайванд Accuracy (ACC) ва AUC, ки масоҳати зери каҷи ROC-ро нишон медиҳад; барои тавсияи Top-K бошад Recall@K-ро истифода мебарад.

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

AUC қобилияти ҷудокунии рейтинги моделро тавассути эҳтимоли додани холи баландтар ба ҳамкории мусбати тасодуфан интихобшуда нисбат ба ҳамкории манфии тасодуфан интихобшуда чен мекунад.

Recall@K барои як корбар:

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

ҳисоб карда мешавад. Дар ин ҷо \(\mathcal{R}_u(K)\) K унсури аввалини ба корбар тавсияшударо; \(\mathcal{T}_u\) бошад унсурҳои воқеии мусбатро дар додаҳои санҷиш ифода мекунад. Recall@K дар сатҳи низом миёнаи макроии арзишҳои корбарӣ мебошад.

Усул ва Натиҷаҳои Таҳқиқот

Маҷмӯаҳои додаҳо ва коркарди пешакӣ

Таҳқиқот benchmark-ҳои MovieLens-1M, Last.FM ва Book-Crossing-ро истифода мебарад, ки се соҳаи гуногунро ифода мекунанд. Арзёбии якҷояи соҳаҳои филм, мусиқӣ ва китоб барои мушоҳида кардани он муҳим аст, ки оё модел танҳо ба як навъи сохтори ҳамкорӣ вобаста мемонад ё не.

Дар MovieLens-1M холҳои 4 ва болотар ҳамчун бозхӯрди мусбати ғайримустақим аломатгузорӣ мешаванд. Аз сабаби сохтори бозхӯрди ғайримустақими Last.FM ва парокандагии баланди Book-Crossing, ҳамкориҳои гузаштаи нигоҳдошташуда мусбат ҳисоб мешаванд. Ҳадди ақали дастгирӣ барои MovieLens-1M ва Last.FM 20 ҳамкорӣ; барои Book-Crossing пас аз fallback-и мутобиқшуда 3 ҳамкорӣ мебошад.

Пас аз коркард парокандагии маҷмӯаҳои додаҳо мутаносибан %95,48, %94,54 ва %99,91 гузориш шудааст. Ин арзишҳо махсусан нишон медиҳанд, ки иттилоот дар матритсаи корбар–унсури Book-Crossing то чӣ андоза маҳдуд аст.

Танзимоти омӯзиш

• Андозаи embedding: 128.
• Омӯзиши пешакии KG DistMult: Adam, суръати омӯзиш 1×10^-3, weight decay 1×10^-5, batch size 2048, 5 epoch.
• Модели асосӣ: Adam, 30 epoch.
• Суръати асосии омӯзиш: 5×10^-4.
• Weight decay: 5×10^-5.
• Batch size: 2048.
• Шумораи ҳамсояҳои KG: 16.
• Дар графи монандии корбар top-k: 50.
• Дар омӯзиши MovieLens-1M ва Last.FM барои ҳар мусбат 4 манфӣ.
• Дар омӯзиши Book-Crossing барои ҳар мусбат 8 манфӣ.
• Дар аблятсияи такрорӣ барои ҳар мусбат 6 манфӣ.
• Дар арзёбии AUC/ACC барои ҳар мусбат 1 манфӣ.
• Дар арзёбии Recall@K барои ҳар корбар 100 унсури номзад.

Татбиқ бо Python 3.12 ва PyTorch 2.5.1 дар Windows 11 анҷом дода шудааст. Ҳамчунин гузориш шудааст, ки дар таҳқиқот NumPy 2.3.5, pandas 3.0.1 ва Pillow 12.2.0 истифода шуда, ҳисобҳо дар протсессори Intel Core i7-12800HX ва NVIDIA GeForce RTX 4070 Laptop GPU иҷро шудаанд.

Усулҳои муқоисашуда

Модели пешниҳодшуда бо чор baseline дар ҳамон тақсимоти додаҳо ва протоколи арзёбӣ аз нав иҷро ва муқоиса шудааст:

• LightGCN
• ENMF
• NeuMF
• HMKRec

Ин нуқта барои тафсири натиҷаҳо муҳим аст. Таҳқиқот натиҷаҳои ҳамаи усулҳои адабиётро ҷамъ карда, рейтинги универсалӣ намесозад. Даъвои муаллифон танҳо бо ҳамин маҷмӯи baseline, ки дар як протоколи таҷрибавӣ муқоиса шудааст, маҳдуд мебошад.

Натиҷаҳои собити benchmark AUC ва ACC

Дар натиҷаҳои собити benchmark усули пешниҳодшуда дар ҳар се маҷмӯаи додаҳо дар байни моделҳои baseline-и муқоисашуда баландтарин арзиши AUC-ро медиҳад. Аз нигоҳи ACC низ дар ин ҷадвали асосии benchmark баландтарин арзишҳо ба усули пешниҳодшуда тааллуқ доранд.

Натиҷаҳои Recall@K

Каҷҳои Recall@K нишон медиҳанд, ки усули пешниҳодшуда нисбат ба моделҳои baseline-и муқоисашуда дар таҳқиқот иҷрои қавии рейтингӣ медиҳад. Аммо Recall@K дар ин таҷриба дар протоколи рейтингие ҳисоб шудааст, ки аз 100 унсури номзад намунагирӣ мекунад, бинобар ин он бо иҷрои тавсия дар тамоми каталог комилан ҳамарзиш нест. Илова бар ин, Recall@K-и баланд худ аз худ исбот намекунад, ки унсурҳои думи дароз бештар намоиш дода мешаванд.

Таҳқиқоти Аблятсионӣ Нишон Медиҳад, Ки Кадом Ҷузъҳои Модел Муҳиманд?

Таҳқиқоти аблятсионӣ муқоиса мекунад, ки ҳангоми хориҷ кардани графи монандии корбар ё шохаи гиперграф аз модели пурра иҷро чӣ гуна тағйир меёбад, ва ин муқоиса дар панҷ random seed-и мустақил анҷом дода мешавад. Натиҷаҳо нишон медиҳанд, ки ҳам гиперграф ва ҳам шохаи монандии корбар ба иҷрои умумии рейтинг саҳм мегузоранд ва аз нигоҳи AUC, махсусан хориҷ кардани шохаи монандии корбар коҳиши бештар ба вуҷуд меорад.

Дар натиҷаҳои аблятсионӣ як нозукии муҳим мавҷуд аст. Дар MovieLens-1M арзиши ACC-и модели пурра 0,6210 буд, дар ҳоле ки варианти бе гиперграф ба ACC-и 0,6353 расид. Аз ин рӯ, тафсири “модели пурра дар ҳар маҷмӯаи додаҳо ва ҳар метрика ҳатман беҳтарин аст” аз ҷониби манбаъ пуштибонӣ намешавад. Муаллифон низ натиҷаҳоро эҳтиёткорона шарҳ медиҳанд: модели пурра махсусан аз нигоҳи AUC ва тавозуни чандметрикӣ дар маҷмӯаҳои додаҳо қавӣ аст.

Яксон набудани арзишҳои модели пурра дар benchmark-и асосӣ ва графики аблятсия хато нест. Манбаъ равшан мегӯяд, ки Расми 2 протоколи собити benchmark-и асосӣ ва Расми 4 протоколи ҷудогонаи аблятсияи seed-и такрориро нишон медиҳад.

Мураккабии ҳисоббарорӣ

Ҷузъҳои муҳими харҷи модел инҳоянд:

• Паҳншавии гиперграф: \(O(L_h \cdot nnz(H)\cdot d)\)
• Сохтани графи монандии корбар аз ҳамаи ҷуфтҳо: пеш аз парокандасозӣ тақрибан \(O(|U|^2d)\)
• Паҳншавии графи корбар: \(O(L_g\cdot |E_u|\cdot d)\)
• Агрегатсияи як-қадамаи KG: \(O(B\cdot K\cdot d)\)
• Холгузории MLP: тақрибан \(O(B\cdot d^2)\)

Дар ин сохтори мураккабӣ, махсусан ҳисобкунии ҷуфтии монандии байни корбарон метавонад дар фазоҳои калони корбарон ба тангнои миқёспазирӣ табдил ёбад. Дар бахши муҳокимаи манбаъ низ гарон шудани графи монандии корбар дар маҷмӯаҳои калонтари корбарон ҳамчун маҳдудияти ошкор зикр шудааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Гиперграф метавонад аз ҳампайдоии унсурҳо дар сатҳи гурӯҳӣ дар таърихи корбар сигнали ҳамкории дараҷаи баланд тавлид кунад.
• Такмил додани embedding-ҳои ибтидоии корбар, ки аз гиперграф ҳосил шудаанд, бо графи ҷудогонаи монандии корбар дар таҷрибаҳо саҳми иловагӣ додааст.
• Ҷамъ кардани ҳамсояҳои як-қадамаи графи дониш бо вазнҳои муносибате, ки ба корбар шарт шудаанд, ба тасвири семантикии унсур иттилооти иловагӣ медиҳад.
• Моделе, ки ҳар се ҷузъро якҷо истифода мебарад, дар протоколи асосии benchmark-и гузоришшуда нисбат ба маҷмӯи baseline-и муқоисашуда натиҷаи қавӣ додааст.
• Аблятсия нишон медиҳад, ки шохаи монандии корбар ва шохаи гиперграф махсусан аз нигоҳи AUC саҳм доранд.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Нишон дода нашудааст, ки модел аз ҳамаи низомҳои тавсиявии мавҷуда ба таври универсалӣ беҳтар аст.
• Натиҷаи benchmark-и офлайн қаноатмандии воқеии корбар ё табдили тиҷоратиро мустақиман исбот намекунад.
• Таҳқиқот санҷиши зиндаи A/B надорад.
• Модел тағйири афзалиятҳои корбарро бо гузашти вақт ба таври динамикӣ модел намекунад.
• Шохаи графи дониш як-қадама аст; истидлоли амиқи бисёр-қадамии семантикӣ санҷида нашудааст.
• Саҳми мустақили ислоҳи ниҳоии холҳои огоҳ аз маъруфият бо аблятсияи махсус чен карда нашудааст.
• Натиҷаҳои Recall@K худ аз худ далели афзоиши намоёнии думи дароз нестанд.
• Умумисозӣ ба бахшҳои берун аз филм, мусиқӣ ва китоб дар дохили ин таҳқиқот ба таври таҷрибавӣ тасдиқ нашудааст.

Маънои илмӣ

Ҷиҳати муҳими таҳқиқот ин аст, ки ба ҷойи “амиқтар” кардани як тасвири графӣ, се навъи гуногуни иттилоотро бо вазифаҳои алоҳида муттаҳид мекунад. Гиперграф рафтори сатҳи гурӯҳиро, графи монандии корбар наздикии маҳаллии корбар ва графи дониш семантикаи муносибатии унсурҳоро интиқол медиҳад. Ин ҷудокунии вазифаҳо стратегияи омӯзиши тасвир аст, ки дар шароити додаҳои пароканда як мушкилро аз манбаъҳои гуногуни иттилоот пурра кардан мехоҳад.

Бо вуҷуди ин, мураккабии меъморӣ низ зиёд мешавад. Якҷо нигоҳ доштани гиперграф, графи корбар, графи дониш ва MLP қадамҳои бештар барои омодасозии додаҳо, ҳамоҳангсозии entity ва ҳисоббарориро талаб мекунад. Хусусан дар соҳаҳое, ки сифати графи дониш паст аст ё унсурҳо ба entity-ҳои беруна боэътимод пайваст карда намешаванд, саҳми интизории шохаи KG метавонад коҳиш ёбад.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: Knowledge-Aware Recommendation Based on Hypergraph and Knowledge Graph

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

Муаллифи масъул: Kuo Chi.

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

Маҷалла: AI, 2026, Ҷилди 7, Шумораи 6, Мақолаи 215.

DOI: 10.3390/ai7060215

Ношир: MDPI.

Пешниҳод: 22 апрели 2026. Бознигарӣ: 7 июни 2026. Қабул: 8 июни 2026. Нашр: 11 июни 2026.

Иҷозатнома: Creative Commons Attribution (CC BY). Ин матни Verianla сохтори ҷумлаҳои мақолаи манбаъ ё композицияҳои аслии шаклҳоро бозтавлид намекунад; далелҳои илмӣ, муодилаҳо, усул ва натиҷаҳои ченкунӣ дар сохтори мустақили омӯзишӣ шарҳ дода шудаанд.

Маблағгузорӣ: Таҳқиқот бо грантҳои гуногун дар доираи Hainan Provincial Natural Science Foundation, Hainan Province Key Research and Development Program ва National Natural Science Foundation of China дастгирӣ шудааст.

Дастрасии додаҳо: MovieLens-1M, Last.FM ва Book-Crossing маҷмӯаҳои benchmark-и барои умум дастрас мебошанд. Сохторҳои графи дониш, ки дар таҳқиқот истифода шудаанд, ба корҳои пешинаи омодасозии додаҳо, ки дар мақола истинод шудаанд, асос меёбанд.

Бархӯрди манфиатҳо: Муаллифон бархӯрди манфиатҳоро гузориш накардаанд.

Маҳдудиятҳои асосии методологӣ: Графи монандии корбар собит ва top-k пароканда карда шудааст; бо зиёд шудани шумораи корбарон харҷи сохтани он метавонад афзоиш ёбад. Кодгузори KG як-қадама аст ва ба сифати ҳамоҳангсозии entity вобаста мебошад. Аблятсияи махсусе, ки таъсири мустақили ҷузъи бозрейтинги огоҳ аз маъруфиятро чен кунад, вуҷуд надорад. Таҷрибаҳо бо протоколи benchmark-и офлайн маҳдуд мебошанд.

Истифодаи шакл ва график: Тарҳҳои аслии Расмҳои 1–5-и мақолаи манбаъ набояд мустақиман нусхабардорӣ шаванд. Дар версияи Verianla, агар додаҳои воқеӣ истифода шаванд, графикҳои мустақил бо меҳвар, типография ва композицияи нав; барои меъмории модел бошад схемаи техникии аз назари визуалӣ мустақил, вале нигоҳдорандаи ҳамон муносибатҳои илмӣ омода карда шавад.