Графовое внимание и семантика текста улучшают персонализированные рекомендации

Почему более умные предложения важны

Каждый раз, когда вы открываете сайт покупок, приложение для фильмов или интернет‑книжный магазин, вы полагаетесь на алгоритмы, которые просеивают поток вариантов и выводят несколько, которые могут вас заинтересовать. Тем не менее такие рекомендательные системы часто испытывают трудности, когда о пользователе или товаре мало данных, либо когда вкусы людей со временем меняются. В этом исследовании предложен новый подход к рекомендациям, который не только учитывает, кто на что кликнул, но и «читает» сопутствующий текст — например, отзывы и описания — и исследует сеть связанных понятий, чтобы лучше угадать, что вам понравится далее.

От простых совпадений к богатым связям

Традиционные инструменты рекомендаций работают похоже на поиск людей с похожей историей покупок или просмотров и копирование их выбора. Такой подход, называемый коллаборативной фильтрацией, опирается на большие таблицы взаимодействий пользователь–товар. Когда эти таблицы редки — потому что пользователи новые, товары малоизвестны или обратной связи мало — система быстро теряет зацепки. Ранее пытались исправить эту проблему, добавляя текстовые признаки: например, анализ отзывов пользователей, чтобы выявить мнения о сюжете, стиле письма или актерах. Эти методы помогали, но часто рассматривали все отзывы как одинаково важные и не моделировали тонкое взаимодействие между вкусами пользователя и характеристиками товара.

Построение сети знаний

Авторы действуют иначе: они помещают пользователей и товары в граф знаний — сеть, где узлы могут представлять книги, фильмы, авторов, жанры и другие сущности, а ребра кодируют их отношения. В таком контексте косвенные пути могут раскрыть скрытые предпочтения; например, пользователь, которому нравятся несколько фильмов, связанных с одним режиссером или темой, может также оценить родственные произведения, даже если он их никогда не оценивал. Однако наивное исследование многих шагов в таком графе может ввести шум и потребовать больших вычислительных затрат. Задача состоит в том, чтобы позволить модели «слушать» самые информативные соседние узлы в этой сети, игнорируя вводящие в заблуждение или удаленные связи.

Дать модели возможность уделять внимание

Предложенная модель, названная TNRA, решает эту задачу, используя графовые сети внимания для пользователей и графовую свертку для предметной части. Для пользователей модель прослеживает многопроходные «рябь» через граф знаний, начиная с товаров, с которыми они взаимодействовали, присваивая более высокие веса более релевантным связям. Этот механизм внимания означает, что не все соседние узлы одинаково влияют на профиль пользователя; система учится, какие пути важны для предсказания новых интересов. Для товаров модель отбирает ограниченное множество ближайших узлов — например, родственные продукты или атрибуты — и смешивает их признаки, формируя уточненный портрет каждого предмета, снова ориентируясь на то, насколько эти соседи соответствуют вкусам конкретного пользователя.

Обучение системы

Цитирование: Dong, J., Shen, Z., Luo, H. et al. Graph attention and text semantics improve personalized recommendation. Sci Rep 16, 11672 (2026). https://doi.org/10.1038/s41598-026-46737-x

Ключевые слова: персонализированные рекомендации, граф знаний, графовая нейронная сеть, семантика текста, рекомендательные системы