Réseaux de Neurones Graphiques Renforcés par la Connaissance pour une Recommandation Explicable

Introduction

Avec l’explosion exponentielle des informations en ligne, les systèmes de recommandation jouent un rôle important dans la résolution du problème de surcharge d’information. Les systèmes de recommandation traditionnels reposent généralement sur des méthodes de filtrage collaboratif (Collaborative Filtering, CF), qui génèrent des recommandations basées sur les historiques des utilisateurs. Les méthodes CF se divisent principalement en techniques basées sur la mémoire et sur les modèles. Les approches basées sur la mémoire incluent le CF basé sur les utilisateurs et sur les items, tandis que les approches basées sur les modèles utilisent l’apprentissage de modèles, tel que la factorisation de matrice pour effectuer des recommandations. Ces dernières années, les technologies d’apprentissage profond ont montré une grande efficacité dans la recherche d’informations et les systèmes de recommandation. De nombreuses méthodes de recommandation basées sur l’apprentissage profond ont atteint des performances remarquables. Cependant, bien que ces méthodes excellent en termes de précision de recommandation, elles manquent de transparence et d’explicabilité dans le processus de décision. À mesure que l’on cherche à améliorer la transparence des systèmes de recommandation et la satisfaction des utilisateurs, la recherche sur les recommandations explicables gagne en traction. Les recommandations explicables rendent non seulement les recommandations plus transparentes et compréhensibles, mais augmentent également la crédibilité du système et la satisfaction des utilisateurs.

Source de l’article

Cet article, intitulé “Knowledge Enhanced Graph Neural Networks for Explainable Recommendation”, est réalisé en collaboration par Ziyu Lyu et Min Yang de l’Institut de Technologie Avancée de Shenzhen de l’Académie Chinoise des Sciences, Yue Wu de l’Université des Postes et Télécommunications de Chongqing, Junjie Lai de l’Université des Sciences et Technologies de Chine, Chengming Li de l’Université Sun Yat-sen, et Wei Zhou de l’Université de Chongqing. L’article a été publié en mai 2023 dans IEEE Transactions on Knowledge and Data Engineering.

Processus de recherche

a) Processus de recherche

Cet article propose un Réseau de Neurones Graphiques Renforcé par la Connaissance (KEGNN) pour des recommandations explicables. La méthode de l’KEGNN comprend les étapes suivantes :

Apprentissage de la représentation sémantique renforcée par la connaissance

D’abord, nous apprenons des représentations sémantiques pour les utilisateurs, les items et les interactions utilisateur-item, en utilisant une base de connaissances externe pour renforcer ces représentations. Pour les utilisateurs et les items, nous consolidons leurs commentaires historiques, considérons la séquentialité temporelle des commentaires, et créons des documents textuels. Nous utilisons des réseaux de mémoire à long terme bidirectionnels (BiLSTM) pour capturer les représentations contextuelles globales et de niveau phrase, et nous renforçons ces représentations sémantiques via la recherche de connaissances pertinentes dans la base de connaissances.

Apprentissage et inférence des comportements utilisateur

Sur la base des représentations sémantiques apprises, nous construisons un graphe de comportements utilisateurs où les nœuds incluent les utilisateurs et les items, et les arêtes représentent les interactions utilisateur-item. Le graphe de comportements utilisateurs utilise les représentations sémantiques renforcées comme embeddings initiaux, et grâce aux réseaux neuronaux graphiques (GNN), nous réalisons la propagation de l’information et l’inférence, capturant des informations de structure de haut niveau et réalisant l’inférence multi-sauts.

Filtrage collaboratif neural hiérarchique

Après l’apprentissage et l’inférence des comportements utilisateurs, nous avons conçu une couche de filtrage collaboratif neural hiérarchique pour la prédiction des interactions utilisateur-item. La première couche connecte les représentations d’utilisateur et d’item, tandis que la seconde couche combine les embeddings de relations utilisateur-item afin de prédire les scores via une couche neuronale avancée.

Génération d’explications

Nous avons conçu un module de génération d’explications, fusionnant un mécanisme de génération et un mécanisme de copie, en utilisant des unités récurrentes à portes (GRU) pour générer des explications textuelles similaires à celles des humains, et en utilisant le mécanisme de copie pour sélectionner des paragraphes à partir des commentaires originaux pour produire des explications.

b) Principaux résultats de recherche

Les expériences menées sur trois ensembles de données réels montrent que KEGNN surpasse les méthodes existantes en termes de précision et d’explicabilité des recommandations :

• Dans l’ensemble de données sur l’électronique, KEGNN a amélioré l’erreur quadratique moyenne (RMSE) de 9,74 % et l’erreur absolue moyenne (MAE) de 4,02 %.
• Dans l’ensemble de données sur la maison et la cuisine, KEGNN a amélioré le RMSE de 0,88 % et le MAE de 2,59 %.
• Dans l’ensemble de données sur les équipements de musique, KEGNN a amélioré le RMSE de 7,38 % et le MAE de 1,63 %.

En outre, KEGNN est capable de générer des explications textuelles de haute qualité, similaires à celles des humains, et les mesures d’explicabilité (telles que la précision et le score F1 de Rouge-1, Rouge-2, Rouge-L) surpassent de manière significative celles des méthodes comparées.

c) Conclusion de la recherche

La méthode KEGNN renforce les représentations sémantiques grâce à une base de connaissances externe et réalise des inférences sur le graphe de comportements utilisateurs, permettant une compréhension complète des comportements des utilisateurs. À travers des couches hiérarchiques de filtrage collaboratif et un module de génération d’explications fusionnant un mécanisme de copie, elle atteint des résultats de recommandation à la fois précis et explicables. Cette recherche montre qu’il est possible d’augmenter l’explicabilité et la satisfaction des utilisateurs dans les systèmes de recommandation en intégrant la connaissance renforcée, les réseaux de neurones graphiques et les méthodes d’apprentissage profond.

d) Points forts de la recherche

• Renforcement par la connaissance : Acquisition de connaissances à partir de bases de connaissances externes pour renforcer les représentations sémantiques des utilisateurs, des items et de leurs interactions.
• Graphe de comportements utilisateurs : Construction d’un graphe de comportements utilisateurs et réalisation d’inférences de haut niveau et de propagation de préférences grâce aux réseaux de neurones graphiques.
• Filtrage collaboratif hiérarchique : Conception d’une couche de filtrage collaboratif neural hiérarchique combinant les relations utilisateur-item pour une prédiction précise des scores.
• Génération d’explications : Fusion d’un mécanisme de copie et de GRU pour générer des explications similaires à celles des humains, rendant les résultats de recommandation plus compréhensibles.

e) Autres informations

L’article inclut également une analyse de l’importance des composants du modèle, démontrant la contribution de chaque module de conception aux résultats finaux, à travers une comparaison des performances après suppression de différents modules. Les résultats d’analyse des erreurs révèlent une inégalité dans la précision des prédictions pour différents types de scores, soulignant des directions pour des améliorations futures, et fournissent des exemples d’explications générées, illustrant concrètement l’explicabilité du modèle.

Conclusion

Cet article propose la méthode KEGNN, qui utilise pleinement les bases de connaissances externes, les réseaux de neurones graphiques et les techniques d’apprentissage profond, résolvant le problème de l’équilibre entre la précision et l’explicabilité dans les systèmes de recommandation. La recherche montre qu’en augmentant les performances de recommandation, KEGNN peut fournir des explications de haute qualité, jouant un rôle important dans l’amélioration de l’expérience utilisateur et de la transparence du système. Cette méthode possède des perspectives d’application étendues dans les systèmes de recommandation multi-domaines.