Recommender system based on Graph learning model / Mohamed Amine Saied  

Public ISBD Titre : Recommender system based on Graph learning model Type de document : texte imprimé Auteurs : Mohamed Amine Saied, Auteur ; Alaeddin Aichouche ; Drif, Ahlam, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (59 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Systèmes de recommandation Système de recommandation hybride Filtrage collaboratif Filtrage bas´e sur le contenu Les r´eseaux de neurones en graphes (GNN) Index. décimale : 004 - Informatique Résumé : Un syst`eme de recommandation bas´e sur les r´eseaux de neurones en graphes peut capturer efficacement les interactions utilisateur-´el´ement `a travers la structure du graphe, conduisant `a des recommandations hautement personnalis´ees et pertinentes. Cependant, les travaux existants qui adaptent les r´eseaux convolutifs pour graphe (GCN) aux recommandations sont confront´es au probl`eme du d´emarrage `a froid, o`u il est difficile de faire des recommandations pr´ecises pour les nouveaux utilisateurs ou les ´el´ements avec peu ou pas de donn´ees d’interaction. A cette fin, nous d´eveloppons un mod`ele ` de recommandation hybride qui int`egre des incorporations de contenu d’´el´ement au c´el`ebre mod`ele bas´e sur des graphes LightGCN avec un ajustement de son m´ecanisme de recommandation afin de surmonter les difficult´es pos´ees par le d´emarrage `a froid par ´el´ement. Les trois composants d´evelopp´es sont : 1-) Une version supervis´ee de LightGCN, 2-) Un mod`ele d’int´egration bas´e sur le contenu et 3-) Un m´ecanisme d’extraction et de r´egression de fonctionnalit´es. L’´etude empirique sur des ensembles de donn´ees du monde r´eel prouve que le syst`eme de recommandation propos´e surpasse de mani`ere significative les m´ethodes de l’´etat de l’art en termes de performances de recommandation = A recommender system based on Graph Neural Networks can effectively capture useritem interactions through the graph structure, leading to highly personalized and relevant recommendations. However, existing works that adapt Graph Convolutional Networks (GCN) to recommendation struggles with the cold-start problem, where it’s difficult to make accurate recommendations for new users or items with little or no interaction data. For this purpose, we develop a hybrid recommender model that incorporates item content embeddings to the famous graph-based model LightGCN with a tweaking to its recommendation mechanism in order to overcome the difficulties posed by item-wise cold start. The three components developed are: 1-) A Supervised version of LightGCN, 2-) A Content-Based Embedding model, and 3-) Feature Extraction and Regression mechanism. The empirical study on real-world datasets proves that the proposed recommender system significantly outperforms the state-of-the-art methods in terms of recommendation performances. Côte titre : MAI/0784 En ligne : https://drive.google.com/file/d/1BLl-XP4crq37rVj-OYNnFgUlBEAh81ZJ/view?usp=drive [...] Format de la ressource électronique : pdf Recommender system based on Graph learning model [texte imprimé] / Mohamed Amine Saied, Auteur ; Alaeddin Aichouche ; Drif, Ahlam, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (59 f.) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Systèmes de recommandation Système de recommandation hybride Filtrage collaboratif Filtrage bas´e sur le contenu Les r´eseaux de neurones en graphes (GNN) Index. décimale : 004 - Informatique Résumé : Un syst`eme de recommandation bas´e sur les r´eseaux de neurones en graphes peut capturer efficacement les interactions utilisateur-´el´ement `a travers la structure du graphe, conduisant `a des recommandations hautement personnalis´ees et pertinentes. Cependant, les travaux existants qui adaptent les r´eseaux convolutifs pour graphe (GCN) aux recommandations sont confront´es au probl`eme du d´emarrage `a froid, o`u il est difficile de faire des recommandations pr´ecises pour les nouveaux utilisateurs ou les ´el´ements avec peu ou pas de donn´ees d’interaction. A cette fin, nous d´eveloppons un mod`ele ` de recommandation hybride qui int`egre des incorporations de contenu d’´el´ement au c´el`ebre mod`ele bas´e sur des graphes LightGCN avec un ajustement de son m´ecanisme de recommandation afin de surmonter les difficult´es pos´ees par le d´emarrage `a froid par ´el´ement. Les trois composants d´evelopp´es sont : 1-) Une version supervis´ee de LightGCN, 2-) Un mod`ele d’int´egration bas´e sur le contenu et 3-) Un m´ecanisme d’extraction et de r´egression de fonctionnalit´es. L’´etude empirique sur des ensembles de donn´ees du monde r´eel prouve que le syst`eme de recommandation propos´e surpasse de mani`ere significative les m´ethodes de l’´etat de l’art en termes de performances de recommandation = A recommender system based on Graph Neural Networks can effectively capture useritem interactions through the graph structure, leading to highly personalized and relevant recommendations. However, existing works that adapt Graph Convolutional Networks (GCN) to recommendation struggles with the cold-start problem, where it’s difficult to make accurate recommendations for new users or items with little or no interaction data. For this purpose, we develop a hybrid recommender model that incorporates item content embeddings to the famous graph-based model LightGCN with a tweaking to its recommendation mechanism in order to overcome the difficulties posed by item-wise cold start. The three components developed are: 1-) A Supervised version of LightGCN, 2-) A Content-Based Embedding model, and 3-) Feature Extraction and Regression mechanism. The empirical study on real-world datasets proves that the proposed recommender system significantly outperforms the state-of-the-art methods in terms of recommendation performances. Côte titre : MAI/0784 En ligne : https://drive.google.com/file/d/1BLl-XP4crq37rVj-OYNnFgUlBEAh81ZJ/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0784	MAI/0784	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)