محققان در مقاله جدیدی به بررسی یک چالش پنهان در «شبکههای عصبی گراف» (GNN) پرداختند که در سیستمهای پیشنهادی استفاده میشوند. تا پیش از این، استفاده از یک تابع هزینه واحد برای همه روابط گراف، باعث میشد ویژگیهای کاربران به درستی یادگیری نشود.
💡 راهکار تازه: این تیم روشی به نام «Cardinality-Decomposed Loss» یا به اختصار CDL را معرفی کردهاند که با ترکیب توابع هزینه Cross Entropy و BPR، تعادل بهتری در یادگیری روابط با کاردینالیتیهای مختلف ایجاد میکند. این یعنی مدل شما حالا میتواند همزمان روابط یکبهیک و یکبهچند را بسیار دقیقتر درک کند که نتیجهاش پیشنهادهای هوشمندتر و شخصیسازیشدهتر برای کاربران است!
این دستاورد برای توسعهدهندگان سیستمهای توصیهگر که با دیتاستهای بزرگ مثل MovieLens یا Yelp کار میکنند، خبر بسیار خوبی است.
گر
منبع: arXiv Machine Learning