TRWH: Random Walk Eterogeneo Guidato da Testo per Raccomandazione Sparsa
Un articolo di ricerca introduce TRWH (Text-driven Random Walk Heterogeneous Graph Neural Network), un framework che combina modelli linguistici di grandi dimensioni (LLM) con strutture grafiche eterogenee per migliorare i sistemi di raccomandazione in contesti di dati sparsi. TRWH utilizza profili testuali generati da LLM e l'augmentazione tramite random walk per creare rappresentazioni di utenti e elementi. Ha tre componenti: Creazione di Embedding tramite Word2Vec e profilazione LLM, una Rete Neurale Grafica Eterogenea (HeteroGNN) per la propagazione di informazioni multi-relazionali, e Costruzione di Percorsi basata su Random Walk per aggiungere collegamenti di secondo ordine tra utenti e tra elementi. Gli esperimenti sono stati condotti sul dataset Amazon-20. L'articolo è disponibile su arXiv con ID 2607.25471.
Fatti principali
- TRWH sta per Text-driven Random Walk Heterogeneous Graph Neural Network.
- Il framework fonde profili testuali generati da LLM con strutture grafiche eterogenee.
- Utilizza l'augmentazione tramite random walk per affrontare contesti di raccomandazione sparsi.
- Tre componenti principali: Creazione di Embedding, HeteroGNN e Costruzione di Percorsi basata su Random Walk.
- La Creazione di Embedding utilizza sia Word2Vec che la profilazione basata su LLM.
- HeteroGNN propaga informazioni attraverso archi multi-relazionali.
- La Costruzione di Percorsi basata su Random Walk arricchisce i grafi sparsi con collegamenti di secondo ordine.
- Gli esperimenti sono stati eseguiti sul dataset Amazon-20.
Entità
Istituzioni
- arXiv