Ushbu tadqiqot siyrak foydalanuvchi–element o‘zaro ta’sirlarida faqat ikkilik foydalanuvchi–element bog‘lanishlariga tayanuvchi an’anaviy tavsiya usullari e’tibordan chetda qoldirishi mumkin bo‘lgan yuqori darajali hamkorlik tuzilmasi va elementlarning tashqi semantik bilimlarini bitta modelda birlashtiradigan bilimga xabardor tavsiya tizimi doirasini o‘rganadi. Taklif etilgan doira; foydalanuvchi tarixlaridan tuzilgan element gipergrafi, boshlang‘ich foydalanuvchi tasvirlarini lokal ravishda yaxshilaydigan top-k foydalanuvchi o‘xshashlik grafigi hamda elementlarning bilim grafigidagi bir-sakrashli qo‘shnilarini foydalanuvchiga bog‘liq munosabat og‘irliklari bilan birlashtiradigan bilim grafigi agregatoridan tashkil topadi. Gipergraf ikkilik bog‘lanishdan tashqari, ayni foydalanuvchi tarixida birga uchraydigan elementlarning guruh darajasidagi tuzilmasini o‘rganadi, bilim grafigi tarmog‘i esa elementlarga semantik kontekst beradi. Yakuniy foydalanuvchi va element tasvirlari ko‘p qatlamli perseptronga uzatiladi va model foydalanuvchi–element moslik ballini hosil qiladi.

MovieLens-1M, Last.FM va Book-Crossing ma’lumotlar to‘plamlarida o‘tkazilgan qat’iy oflayn benchmark baholashida taklif etilgan model maqolada taqqoslangan LightGCN, ENMF, NeuMF va HMKRec usullariga nisbatan AUC, aniqlik va Recall@K mezonlarida umuman kuchli natijalar ko‘rsatgan. Masalan, qat’iy benchmark protokolida MovieLens-1M uchun AUC 0,8737 va ACC 0,7202; Last.FM uchun AUC 0,8620 va ACC 0,6954; Book-Crossing uchun AUC 0,7287 va ACC 0,5623 qayd etilgan. Biroq bu natijalar faqat tadqiqotda qo‘llangan ma’lumotlarni qayta ishlash, manfiy namunalash va nomzodlar ro‘yxatini tuzish protokoli doirasida baholanishi kerak. Tadqiqot model barcha tavsiya tizimlarida universal ravishda ustun ekanini yoki oflayn benchmark muvaffaqiyati bevosita real dunyodagi foydalanuvchi qoniqishiga aylanishini ko‘rsatmaydi.

Tavsiya tizimlaridagi asosiy muammo

Tavsiya tizimi ma’lum bir foydalanuvchining qaysi film, qo‘shiq, kitob yoki boshqa elementga qiziqish ehtimoli yuqori ekanini bashorat qilishga harakat qiladi. Eng sodda hamkorlikka asoslangan filtrlash yondashuvlari bu bashoratni avvalgi foydalanuvchi–element o‘zaro ta’sirlaridan chiqaradi. Ammo real ma’lumotlar to‘plamlarida foydalanuvchilar katalogdagi elementlarning juda kichik qismiga murojaat qilgani sababli o‘zaro ta’sir matritsasi odatda nihoyatda siyrak bo‘ladi.

Bu siyrak tuzilma ikki muhim axborot yo‘qotishiga olib kelishi mumkin. Birinchidan, standart foydalanuvchi–element grafigi ko‘pincha ikkilik bog‘lanishlarni ifodalaydi va ayni foydalanuvchi tarixida birga mavjud bo‘lgan ko‘p sonli elementlar hosil qilgan guruh tuzilmasini bevosita kodlamaydi. Ikkinchidan, faqat o‘zaro ta’sir qaydlariga qaralganda elementlarning turi, munosabatlari yoki tashqi bilim bazasidagi semantik aloqalaridan yetarlicha foydalanilmaydi.

Tadqiqotning asosiy yondashuvi bu ikki axborot manbasini alohida, ammo bir-birini to‘ldiruvchi tarmoqlarda qayta ishlashdir. Foydalanuvchi tarixlari gipergraf orqali yuqori darajali hamkorlik tuzilmasini hosil qiladi; bilim grafigi esa elementlarning semantik kontekstini beradi. Bundan tashqari, foydalanuvchilarning boshlang‘ich tasvirlari orasidagi o‘xshashliklar alohida foydalanuvchi grafigida tarqatiladi.

Gipergraf Ushbu Tavsiya Tizimida Nimani Ifodalaydi?

Ushbu tadqiqotdagi gipergraf — tugunlari elementlardan iborat bo‘lib, har bir foydalanuvchi ilgari o‘zaro ta’sir qilgan elementlar to‘plami bitta giperyoy sifatida ifodalanadigan yuqori darajali munosabat tuzilmasidir. Shunday qilib, oddiy grafdagi ikki tugun orasidagi bitta bog‘lanishdan farqli ravishda, bir foydalanuvchi bir tarix doirasida tanlagan ko‘p sonli elementlar bitta umumiy giperyoy ostida birgalikda modellashtirilishi mumkin.

Foydalanuvchilar to‘plami \(U\), elementlar to‘plami \(V\) va foydalanuvchi \(u\) o‘zaro ta’sir qilgan elementlar \(I_u\) bilan ko‘rsatilganda, foydalanuvchiga mos giperyoy quyidagicha aniqlanadi:

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

Bu yerda muhim jihat shuki, foydalanuvchi gipergraf tuguni emas. Gipergrafning tugunlari elementlardir; foydalanuvchi tarixi esa ushbu elementlarni o‘zaro bog‘laydigan giperyoyni belgilaydi. Bu dizayn, masalan, bir foydalanuvchi tanlagan besh elementni beshta alohida ikkilik bog‘lanish sifatida ko‘rish o‘rniga, shu besh elementning umumiy xulq-atvor kontekstini bitta strukturaviy birlikda ifodalash imkonini beradi.

Gipergrafning insidens matritsasi \(H\), elementning muayyan giperyoyga tegishli yoki tegishli emasligini ko‘rsatadi:

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

Gipergraf konvolyutsiyasi davomida axborot avval elementlardan giperyoylarga, keyin esa giperyoylardan yana elementlarga tarqaladi. Manbada ishlatilgan asosiy tarqalish tuzilmasi:

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

ko‘rinishidadir. Bu yerda \(X^{(l)}\), \(l\)-qatlamdagi element embedding matritsasini; \(W^{(l)}\), o‘rganiladigan og‘irlik matritsasini; \(D_v\), element daraja matritsasini; \(D_e\), giperyoy daraja matritsasini; \(\sigma\) esa aktivatsiya funksiyasini ifodalaydi. Normallashtirilgan matritsa ko‘paytmasi juda ko‘p uchraydigan elementlarning faqat bog‘lanishlar soni yuqori bo‘lgani uchun tarqalishda nazoratsiz ustunlik qilishini kamaytirishga yordam beradi.

Element tasvirlaridan foydalanuvchi tasviriga o‘tish

Gipergraf qatlamlari dastlabki bosqichda bevosita foydalanuvchi embeddingini hosil qilmaydi. Avval yuqori darajali munosabatlarni tashuvchi element embeddinglari o‘rganiladi. So‘ng har bir foydalanuvchi uchun u o‘zaro ta’sir qilgan elementlarning yakuniy gipergraf tasvirlari o‘rtachalanib, boshlang‘ich foydalanuvchi vektori olinadi:

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

Bu farq model arxitekturasini tushunishda muhim: gipergraf tarmog‘i “foydalanuvchi tugunlari”ni bevosita qayta ishlamaydi, foydalanuvchi tarixi hosil qilgan giperyoylar orqali elementlarni qayta ishlaydi va foydalanuvchi tasviri keyinchalik shu element tasvirlaridan kelib chiqadi.

Foydalanuvchi O‘xshashlik Grafigi Nega Ikkinchi Foydalanuvchi Modellashtirish Bosqichini Qo‘shadi?

Foydalanuvchi o‘xshashlik grafigi gipergrafdan kelib chiqqan boshlang‘ich foydalanuvchi embeddinglarini bir-biriga yaqin foydalanuvchilar orasida tarqatish orqali mahalliy afzallik o‘xshashligini modellashtiradigan ikkinchi foydalanuvchi-tasvir bosqichidir. Gipergraf kengroq guruh darajasidagi umumiy element tuzilmasini qamrasa, o‘xshashlik grafigi embedding fazosida bir-biriga yaqin foydalanuvchilarning axborotini bevosita qo‘shnichilik munosabati sifatida qayta ishlaydi.

Ikki foydalanuvchining o‘xshashligi boshlang‘ich foydalanuvchi vektorlarining kosinus o‘xshashligi bilan hisoblanadi:

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

Barcha foydalanuvchi juftlarini to‘liq bog‘langan grafga aylantirish ham hisoblash xarajatini, ham ma’nosiz kuchsiz bog‘lanishlarni oshirishi sababli model har bir foydalanuvchi uchun faqat eng yuqori o‘xshashlikka ega 50 foydalanuvchini saqlaydi. Natijada top-k siyraklashtirilgan foydalanuvchi grafigi olinadi.

Tadqiqotning amaldagi qo‘llanishida bu foydalanuvchi grafigi o‘qitish davomida dinamik ravishda qayta tuzilmaydi. U gipergrafdan hovuzlangan boshlang‘ich foydalanuvchi vektorlaridan bir marta quriladi va o‘zgarmas holda saqlanadi. Foydalanuvchi grafigi tarmog‘ida bitta grafik tarqalish qatlami qo‘llanadi; mualliflar buni ortiqcha silliqlanish xavfini cheklovchi dizayn sifatida taqdim etadilar.

Statik gipergraf farazi

Gipergraf ham avvalgi o‘zaro ta’sirlardan chiqarilgan qat’iy oflayn tasvir sifatida qo‘llanadi. Bu tanlov MovieLens-1M, Last.FM va Book-Crossing kabi qat’iy benchmark ma’lumotlar to‘plamlariga mos keladi. Ammo foydalanuvchi afzalliklari vaqt o‘tishi bilan o‘zgarishi mumkinligi sababli, bu faraz jonli ishlab chiqarish muhitlarida alohida sinovdan o‘tkazilishi kerak. Tadqiqotning o‘zi vaqt bo‘yicha afzallik siljishini modellashtirmaydi va dinamik gipergrafni rivojlantirishni kelajakdagi ish sifatida qoldiradi.

Bilim Grafigi Foydalanuvchiga Xos Element Tasvirini Qanday Hosil Qiladi?

Bilim grafigi tarmog‘i har bir elementni bilim grafigidagi mos entity bilan moslashtiradi va shu entityning bir-sakrashli qo‘shnilaridan semantik axborot to‘playdi. Bu yig‘ish jarayoni qat’iy qo‘shni o‘rtachasi emas; qaysi munosabat muhimroq ekani maqsad foydalanuvchiga qarab og‘irliklanadi. Natijada bir xil elementning semantik tasviri turli foydalanuvchilar uchun turlicha munosabat urg‘ulariga ega bo‘lishi mumkin.

Modelda har bir element uchun 16 bilim grafigi qo‘shnisi saqlanadi. Entity va relation embeddinglari avval DistMult yordamida yengil oldindan o‘qitiladi va keyin tavsiya tizimi bilan birga nozik sozlanadi.

Foydalanuvchi \(u\) va munosabat turi \(r\) uchun afzallik koeffitsienti softmax tuzilmasi bilan hisoblanadi:

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

Bu koeffitsient foydalanuvchi embeddingi bilan munosabat embeddingi o‘rtasidagi moslikka qarab ayrim munosabat turlarini ko‘proq yoki kamroq ta’sirchan qiladi. So‘ng maqsad entity \(e_v\) qo‘shni entitylar bilan birlashtirilib, foydalanuvchiga shartlangan semantik element tasviri hosil qilinadi:

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

Bu mexanizm ko‘p-sakrashli KG xabar uzatish emas. Tadqiqotda aynan bir-sakrashli qo‘shnichilik qo‘llanadi. Shuning uchun natijalarni “chuqur bilim grafigi mulohazasi” sifatida talqin qilmaslik kerak.

Bashorat vektori va MLP

Yakuniy bosqichda takomillashtirilgan foydalanuvchi embeddingi bilan foydalanuvchiga xos element embeddingi birlashtiriladi. Manbaning ixcham tenglamasida foydalanuvchi va element vektorlari bilan elementma-element o‘zaro ta’sir qo‘llansa-da, algoritmik izoh mutlaq farq komponenti ham to‘liq deskriptorga kiritilganini bildiradi. Shu sababli tadqiqotning matnli izohi bilan ixcham Tenglama (8) o‘rtasida ifodalash darajasida farq bor; Verianla bayonida bu farq yashirilmasligi kerak.

MLP bashorati umumiy holda:

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

ko‘rinishidadir. Bu yerda \(\phi\), ReLU aktivatsiyasini; yakuniy sigmoid qatlami esa foydalanuvchi–element juftining ijobiy o‘zaro ta’sir ehtimoliga mos keluvchi ballni hosil qiladi.

Ommaboplik Tuzatishi Model O‘rgangan Asosiy Mexanizmmi?

Yo‘q. Ommaboplikka xabardor ishlov berish asosiy modelning o‘qitish arxitekturasini almashtiradigan bosh o‘rganish mexanizmi emas, balki hosil qilingan tavsiya ballariga ixtiyoriy ravishda qo‘llanishi mumkin bo‘lgan yengil yakuniy qayta ishlash kalibrlashidir. Tadqiqot bu bosqichni “uzun dum samaradorligini o‘zi ta’minlaydigan mexanizm” sifatida talqin qilmaslik kerakligini alohida cheklaydi.

Manbada berilgan yakuniy ball tuzatishi:

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

ko‘rinishidadir. Bu yerda \(\mathrm{pop}(v)\), elementning o‘qitish ma’lumotlaridagi o‘zaro ta’sirlar sonini; \(\lambda\) esa validatsiya protokolida sozlanadigan koeffitsientni bildiradi. Ommabop elementning o‘zaro ta’sirlar soni oshgani sayin logarifmik jazo kattalashadi va yakuniy reytingdagi haddan tashqari ustunligi kamaytirilishi mumkin.

Ammo tadqiqotda ushbu yakuniy qayta ishlash komponentining izolyatsiyalangan ta’sirini o‘lchaydigan mustaqil ablatsiya mavjud emas. Shu sababli modelning uzun dum xatti-harakatidagi o‘zgarishning qanchasi ushbu tuzatishga, qanchasi gipergraf/KG tuzilmasiga tegishli ekanini aniq ajratib bo‘lmaydi.

O‘qitish yo‘qotishi

Model kuzatilgan ijobiy foydalanuvchi–element juftlari va namunalangan manfiy juftlar ustida nuqtaviy binary cross-entropy bilan o‘qitiladi:

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

Bu yo‘qotish ijobiy o‘zaro ta’sirlarning yuqori, manfiy namunalar esa past ball olishini rag‘batlantiradi. Bu yerdagi “manfiy” foydalanuvchi elementni haqiqatan yoqtirmasligini albatta anglatmaydi; tadqiqot protokolida kuzatilmagan elementlar orasidan namunalangan o‘qitish juftlarini bildiradi.

Baholash metrikalari

Tadqiqot bog‘lanish bashorati uchun Accuracy (ACC) va ROC egri chizig‘i ostidagi maydonni ko‘rsatuvchi AUC; Top-K tavsiyasi uchun esa Recall@K dan foydalanadi.

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

AUC tasodifiy tanlangan ijobiy o‘zaro ta’sirga tasodifiy tanlangan manfiy o‘zaro ta’sirdan yuqoriroq ball berish ehtimoli orqali modelning reytingda ajrata olish qobiliyatini o‘lchaydi.

Bir foydalanuvchi uchun Recall@K:

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

deb hisoblanadi. Bu yerda \(\mathcal{R}_u(K)\), foydalanuvchiga tavsiya qilingan dastlabki K elementni; \(\mathcal{T}_u\) esa test ma’lumotlaridagi haqiqiy ijobiy elementlarni ifodalaydi. Tizim darajasidagi Recall@K foydalanuvchi bo‘yicha qiymatlarning makro o‘rtachasidir.

Tadqiqot Usuli va Natijalari

Ma’lumotlar to‘plamlari va oldindan qayta ishlash

Tadqiqot uch xil sohani ifodalovchi MovieLens-1M, Last.FM va Book-Crossing benchmarklaridan foydalanadi. Film, musiqa va kitob sohalarini birgalikda baholash model faqat bitta o‘zaro ta’sir tuzilmasiga bog‘lanib qolgan-qolmaganini kuzatish nuqtai nazaridan muhimdir.

MovieLens-1M da 4 va undan yuqori ballar ijobiy yashirin teskari aloqa sifatida belgilanadi. Last.FM ning yashirin teskari aloqa tuzilmasi va Book-Crossing ning yuqori siyrakligi sababli saqlangan avvalgi o‘zaro ta’sirlar ijobiy deb qabul qilinadi. Minimal qo‘llab-quvvatlash chegarasi MovieLens-1M va Last.FM uchun 20 o‘zaro ta’sir; Book-Crossing uchun moslashtirilgan fallbackdan keyin 3 o‘zaro ta’sirdir.

Qayta ishlashdan keyin ma’lumotlar to‘plamlarining siyrakligi mos ravishda %95,48, %94,54 va %99,91 ekani qayd etilgan. Bu qiymatlar, ayniqsa Book-Crossing da foydalanuvchi–element matritsasidagi axborot qanchalik cheklanganini ko‘rsatadi.

O‘qitish sozlamalari

• Embedding o‘lchami: 128.
• KG DistMult oldindan o‘qitish: Adam, o‘rganish tezligi 1×10^-3, weight decay 1×10^-5, batch size 2048, 5 epoch.
• Asosiy model: Adam, 30 epoch.
• Asosiy o‘rganish tezligi: 5×10^-4.
• Weight decay: 5×10^-5.
• Batch size: 2048.
• KG qo‘shnilar soni: 16.
• Foydalanuvchi o‘xshashlik grafigida top-k: 50.
• MovieLens-1M va Last.FM o‘qitishida har bir ijobiyga 4 manfiy.
• Book-Crossing o‘qitishida har bir ijobiyga 8 manfiy.
• Takroriy ablatsiyada har bir ijobiyga 6 manfiy.
• AUC/ACC baholashida har bir ijobiyga 1 manfiy.
• Recall@K baholashida har bir foydalanuvchiga 100 nomzod element.

Ilova Python 3.12 va PyTorch 2.5.1 yordamida Windows 11 da amalga oshirilgan. Tadqiqotda shuningdek NumPy 2.3.5, pandas 3.0.1 va Pillow 12.2.0 ishlatilgani; hisob-kitoblar Intel Core i7-12800HX protsessori va NVIDIA GeForce RTX 4070 Laptop GPU da bajarilgani qayd etilgan.

Taqqoslangan usullar

Taklif etilgan model to‘rtta baseline bilan bir xil ma’lumot bo‘linishi va baholash protokoli ostida qayta ishga tushirilib taqqoslangan:

• LightGCN
• ENMF
• NeuMF
• HMKRec

Bu nuqta natijalarni talqin qilishda muhim. Tadqiqot adabiyotdagi barcha usullar natijalarini birlashtirib, universal reyting tuzmaydi. Mualliflar da’vosi faqat bir xil eksperimental protokol ostida taqqoslangan ushbu baseline to‘plami bilan cheklangan.

Qat’iy benchmark AUC va ACC natijalari

Qat’iy benchmark natijalarida taklif etilgan usul uchala ma’lumotlar to‘plamida ham taqqoslangan baseline modellar orasida eng yuqori AUC qiymatini beradi. ACC bo‘yicha ham ushbu asosiy benchmark jadvalida eng yuqori qiymatlar taklif etilgan usulga tegishli.

Recall@K natijalari

Recall@K egri chiziqlari taklif etilgan usul tadqiqotda taqqoslangan baseline modellariga qarshi kuchli reyting samaradorligini ko‘rsatishini bildiradi. Biroq Recall@K ushbu tajribada 100 nomzod elementdan namunalangan reyting protokolida hisoblanganligi sababli, to‘liq katalog tavsiya samaradorligiga aynan teng emas. Bundan tashqari, yuqori Recall@K o‘zi uzun dum elementlari ko‘proq ko‘rsatilayotganini isbotlamaydi.

Ablatsiya Tadqiqoti Modelning Qaysi Komponentlari Muhimligini Ko‘rsatadi?

Ablatsiya tadqiqoti to‘liq modeldan foydalanuvchi o‘xshashlik grafigi yoki gipergraf tarmog‘i olib tashlanganda samaradorlik qanday o‘zgarishini beshta mustaqil random seed bo‘yicha taqqoslaydi. Natijalar gipergraf hamda foydalanuvchi o‘xshashlik tarmog‘ining ikkalasi ham umumiy reyting samaradorligiga hissa qo‘shishini, AUC bo‘yicha ayniqsa foydalanuvchi o‘xshashlik tarmog‘ini olib tashlash kattaroq pasayishga olib kelishini ko‘rsatadi.

Ablatsiya natijalarida muhim bir noziklik bor. MovieLens-1M da to‘liq modelning ACC qiymati 0,6210 bo‘lgan, gipergraf olib tashlangan variant esa 0,6353 ACC ga yetgan. Shuning uchun “to‘liq model har bir ma’lumotlar to‘plamida va har bir metrikada albatta eng yaxshi” degan talqin manba tomonidan qo‘llab-quvvatlanmaydi. Mualliflar ham natijalarni ehtiyotkorroq, to‘liq model ayniqsa AUC va ma’lumotlar to‘plamlari bo‘yicha ko‘p-metritsali muvozanat nuqtai nazaridan kuchli, deb talqin qiladilar.

Asosiy benchmarkdagi to‘liq model qiymatlari bilan ablatsiya grafigidagi to‘liq model qiymatlari bir xil emasligi xato emas. Manba 2-rasm qat’iy asosiy benchmark protokolini, 4-rasm esa alohida takroriy-seed ablatsiya protokolini ko‘rsatishini aniq aytadi.

Hisoblash murakkabligi

Model xarajatining muhim qismlari quyidagilar:

• Gipergraf tarqalishi: \(O(L_h \cdot nnz(H)\cdot d)\)
• Foydalanuvchi o‘xshashlik grafigini barcha juftliklar bo‘yicha qurish: siyraklashtirishdan oldin taxminan \(O(|U|^2d)\)
• Foydalanuvchi grafigi tarqalishi: \(O(L_g\cdot |E_u|\cdot d)\)
• Bir-sakrashli KG agregatsiyasi: \(O(B\cdot K\cdot d)\)
• MLP ballash: taxminan \(O(B\cdot d^2)\)

Ushbu murakkablik tuzilmasida ayniqsa foydalanuvchilar orasidagi juftlik o‘xshashlik hisob-kitobi katta foydalanuvchi makonlarida masshtablanuvchanlik bo‘g‘inini yuzaga keltirishi mumkin. Manbaning muhokama qismida ham foydalanuvchi o‘xshashlik grafigi katta foydalanuvchi to‘plamlarida qimmatga tushishi ochiq cheklov sifatida qayd etilgan.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• Gipergraf foydalanuvchi tarixidagi guruh darajasidagi element birgaliklaridan yuqori darajali hamkorlik signalini hosil qilishi mumkin.
• Gipergrafdan hosil qilingan boshlang‘ich foydalanuvchi embeddinglarini alohida foydalanuvchi o‘xshashlik grafigi bilan takomillashtirish tajribalarda qo‘shimcha hissa bergan.
• Bir-sakrashli bilim grafigi qo‘shnilarini foydalanuvchiga shartlangan munosabat og‘irliklari bilan agregatsiya qilish semantik element tasviriga qo‘shimcha axborot beradi.
• Uchala komponent birgalikda ishlatilgan model qayd etilgan asosiy benchmark protokolida taqqoslangan baseline to‘plamiga nisbatan kuchli natija bergan.
• Ablatsiya foydalanuvchi o‘xshashlik tarmog‘i va gipergraf tarmog‘i ayniqsa AUC bo‘yicha hissa qo‘shishini ko‘rsatadi.

Tadqiqot qo‘llab-quvvatlamaydigan natijalar

• Model barcha mavjud tavsiya tizimlaridan universal ravishda ustun ekanligi ko‘rsatilmagan.
• Oflayn benchmark natijasi haqiqiy foydalanuvchi qoniqishini yoki tijoriy konversiyani bevosita isbotlamaydi.
• Tadqiqot jonli A/B testini o‘z ichiga olmaydi.
• Model foydalanuvchi afzalliklarining vaqt bo‘yicha o‘zgarishini dinamik tarzda modellashtirmaydi.
• Bilim grafigi tarmog‘i bir-sakrashlidir; chuqur ko‘p-sakrashli semantik mulohaza sinovdan o‘tkazilmagan.
• Ommaboplikka xabardor yakuniy ball tuzatishining mustaqil hissasi maxsus ablatsiya bilan o‘lchanmagan.
• Recall@K natijalari o‘zi uzun dum ko‘rinuvchanligi oshganining isboti emas.
• Film, musiqa va kitobdan tashqari sohalarga umumlashtirish ushbu tadqiqotda eksperimental ravishda tasdiqlanmagan.

Ilmiy ahamiyati

Tadqiqotning muhim jihati yagona grafik tasvirni “yanada chuqur” qilish o‘rniga uch xil axborot turini alohida vazifalar bilan birlashtirishidir. Gipergraf guruh darajasidagi xulq-atvorni, foydalanuvchi o‘xshashlik grafigi lokal foydalanuvchi yaqinligini va bilim grafigi elementlarning munosabat semantikasini olib yuradi. Bu ajratish siyrak ma’lumot sharoitida bir xil muammoni turli axborot manbalari bilan to‘ldirishni maqsad qilgan tasvir o‘rganish strategiyasidir.

Shu bilan birga arxitektura murakkabligi ham ortadi. Gipergraf, foydalanuvchi grafigi, bilim grafigi va MLPni birgalikda saqlash ko‘proq ma’lumot tayyorlash, entity moslashtirish va hisoblash bosqichlarini talab qiladi. Ayniqsa bilim grafigi sifati past yoki elementlarni tashqi entitylarga ishonchli moslashtirib bo‘lmaydigan sohalarda KG tarmog‘ining kutilgan hissasi kamayishi mumkin.

Manba va Usul Haqida Izoh

Asl sarlavha: Knowledge-Aware Recommendation Based on Hypergraph and Knowledge Graph

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

Mas’ul muallif: Kuo Chi.

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

Jurnal: AI, 2026, Jild 7, Son 6, Maqola 215.

DOI: 10.3390/ai7060215

Nashriyot: MDPI.

Taqdim etilgan: 22 aprel 2026. Qayta ko‘rib chiqilgan: 7 iyun 2026. Qabul qilingan: 8 iyun 2026. Nashr qilingan: 11 iyun 2026.

Litsenziya: Creative Commons Attribution (CC BY). Ushbu Verianla matni manba maqolaning gap tuzilishini yoki original rasm kompozitsiyalarini takrorlamaydi; ilmiy faktlar, tenglamalar, usul va o‘lchov natijalari mustaqil ta’limiy tartibda tushuntirilgan.

Moliyalashtirish: Tadqiqot Hainan Provincial Natural Science Foundation, Hainan Province Key Research and Development Program va National Natural Science Foundation of China doirasidagi turli grantlar bilan qo‘llab-quvvatlangan.

Ma’lumotlardan foydalanish: MovieLens-1M, Last.FM va Book-Crossing ommaga ochiq benchmark ma’lumotlar to‘plamlaridir. Tadqiqotda qo‘llangan bilim grafigi tuzilmalari maqolada havola qilingan avvalgi ma’lumot tayyorlash ishlariga asoslanadi.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvini bildirmagan.

Asosiy uslubiy cheklovlar: Foydalanuvchi o‘xshashlik grafigi qat’iy va top-k siyraklashtirilgan; foydalanuvchilar soni oshgani sari uni qurish xarajati ortishi mumkin. KG kodlovchisi bir-sakrashli va entity moslashtirish sifatiga bog‘liq. Ommaboplikka xabardor qayta reytinglash komponentining mustaqil ta’sirini o‘lchaydigan maxsus ablatsiya yo‘q. Tajribalar oflayn benchmark protokoli bilan cheklangan.

Rasm va grafiklardan foydalanish: Manba maqolaning original 1–5-rasm dizaynlari bevosita nusxalanmasligi kerak. Verianla versiyasida faktik ma’lumot ishlatilsa, yangi o‘qlar, tipografiya va kompozitsiya bilan mustaqil grafiklar; model arxitekturasi uchun esa bir xil ilmiy munosabatlarni saqlagan, ammo vizual jihatdan mustaqil texnik sxema tayyorlanishi kerak.