یادگیری بازنمایی مقاوم به نویز گراف ناهمگن به‌منظور بهبود سیستم‌های توصیه‌گر

نوع: Type: رساله

مقطع: Segment: دکتری

عنوان: Title: یادگیری بازنمایی مقاوم به نویز گراف ناهمگن به‌منظور بهبود سیستم‌های توصیه‌گر

ارائه دهنده: Provider: امین نظری - مهندسی کامپیوتر

اساتید راهنما: Supervisors: دکتر محرم منصوری زاده

اساتید مشاور: Advisory Professors: دکتر حسن حتن‌لو، دکتر میرحسین دزفولیان

اساتید ممتحن یا داور: Examining professors or referees: دکتر بهروز مینایی، دکتر محمد علیاننژادی

زمان و تاریخ ارائه: Time and date of presentation: ساعت 12 - 1405/4/10

مکان ارائه: Place of presentation: اتاق سمینار گروه کامپیوتر

چکیده: Abstract: امروزه از گراف‌های ناهمگن به‌طور گسترده برای مدل‌سازی داده‌های دنیای واقعی مانند شبکه‌های اجتماعی، شبکه‌های استنادی و پلتفرم‌های تجاری استفاده می‌شود. این گراف‌ها توانایی بالایی در نمایش داده‌های ناهمگن که شامل انواع گوناگونی از موجودیت‌ها و روابط معنایی هستند، دارند. بااین‌حال، این گراف‌ها اغلب ابعاد بسیار بزرگی دارند که می‌تواند کارایی روش‌های تحلیلی و یادگیری ماشین را به‌شدت تحت‌تأثیر قرار دهند. به همین دلیل، روش‌های بازنمایی گراف ناهمگن باهدف ارائه بازنمایی جدیدی در فضای کم‌بعدتر توسعه یافته‌اند. یک بازنمایی مطلوب باید بتواند ویژگی‌های ساختاری گراف، معانی نهفته در روابط بین گره‌ها و ویژگی‌های هر گره را به‌طور هم‌زمان حفظ کند. این بازنمایی می‌تواند در کاربردهایی مانند محاسبه شباهت، دسته‌بندی، خوشه‌بندی، پیش‌بینی پیوند، مصورسازی گراف و سیستم‌های توصیه‌گر مورداستفاده قرار گیرد. باوجود موفقیت‌های چشمگیر شبکه‌های عصبی گراف در یادگیری نمایش گره‌ها، این روش‌ها در محیط‌های ناهمگن، نویزدار یا پویا به دلیل محدودیت در مدل‌سازی معنایی و آسیب‌پذیری نسبت به نقص‌های ساختاری، همچنان با چالش‌هایی مواجه هستند. برای مقابله با این چالش‌ها، نخست چارچوب یادگیری نمایش چندنمایی مقاوم به نویز به نام RoGAT را پیشنهاد می‌کنیم. RoGAT سازوکارهای توجه را در سه سطح گره، رابطه و فرامسیر ادغام می‌کند. هر نما از این چارچوب، یک تعبیه را بر اساس معنا یا نوع رابطه می‌آموزد. سپس یادگیری متضاد تعبیه‌های حاصل از نماهای مختلف از یک گره یکسان را به هم نزدیک کرده و تعبیه‌های سایر گره‌ها را از هم دور می‌کند تا غنای تعبیه‌ها افزایش یابد. رویکرد ما، وابستگی‌های معنایی غنی را از دیدگاه‌های متعدد و به‌صورت پویا با نمایش‌های چندسطحی ترکیب کرده و از طریق بهینه‌سازی نمایش‌ها با یادگیری متضاد و ادغام اطلاعات، بهبود می‌بخشد. این طراحی، یادگیری نمایش قابل‌اطمینان را حتی در شرایط نویزدار امکان‌پذیر می‌سازد. بااین‌حال، یادگیری نمایش‌های مؤثر از گراف‌های ناهمگن به دلیل پراکندگی شدید داده‌ها، همچنان چالش‌برانگیز باقی می‌ماند. برای رفع این محدودیت‌ها، چارچوب دوم خود یعنی شبکه عصبی گرافی چندوجهی و آگاه از نوع گره و رابطه (NR-GAT) را معرفی می‌کنیم. NR-GAT تلاش می‌کند تا معنا را فراتر از ساختار و از منابع ناهمگن دیگر به مدل بیفزاید. سپس سازوکارهای توجه در سطح گره و سطح رابطه را در یک معماری یکپارچه ادغام کرده و به مدل اجازه می‌دهد وابستگی‌های معنایی غنی را در چندین سطح انتزاع و از منابع داده ناهمگن ثبت کند. برای پشتیبانی از این چارچوب، یک گراف ناهمگن غنی‌شده از نظر معنایی با ادغام سیگنال‌های تعامل و نمایش‌های معنایی عمیق استخراج‌شده از منابع متنی می‌سازیم. مدل‌سازی موضوعی برای تقطیر موضوعات معنایی پنهان از داده‌های زیرنویس به کار گرفته می‌شود که به‌عنوان نوعی گره اضافی به گراف افزوده می‌گردند. علاوه‎براین به‌منظور نشان‌دادن تأثیر ادغام منابع ناهمگن، مدل دیگری به نام MHG-Rec را معرفی می‌کنیم که از یادگیری چندوظیفه‌ای استفاده کرده و به‌طور مشترک اهداف دسته‌بندی گره و توصیه را بهینه می‌نماید. این طراحی به‌عنوان یک منظم‌ساز ضمنی عمل کرده و یادگیری نمایش‌های اشتراکی و قابل‌تعمیم را تشویق می‌کند، درحالی‌که پایداری مدل را در شرایط نویزی و کمبود داده افزایش می‌دهد.

فایل: ّFile: دانلود فایل