Analisi Teorica dei Modelli di Raccomandazione a Due Torri

Un nuovo articolo su arXiv (2403.00802v2) fornisce un'analisi teorica dei modelli di raccomandazione a due torri, ampiamente utilizzati nei sistemi di raccomandazione di livello produttivo da servizi media online come Netflix, Pinterest e Amazon. Questi sistemi apprendono embedding di utenti e elementi in uno spazio a bassa dimensionalità utilizzando due reti neurali profonde, consentendo previsioni del feedback degli utenti. Nonostante la loro popolarità, i comportamenti teorici di questi modelli sono stati in gran parte inesplorati. L'articolo studia i comportamenti asintotici dei modelli a due torri nei sistemi di raccomandazione a due stadi, dimostrando una forte convergenza verso il sistema di raccomandazione ottimale. Stabilisce proprietà teoriche e garanzie statistiche per il raccomandatore a due torri e mostra che una convergenza più rapida si ottiene facendo affidamento sulle dimensioni intrinseche dei dati. I risultati contribuiscono a una comprensione più profonda di questi modelli, potenzialmente guidando futuri miglioramenti nei sistemi di raccomandazione.