GEIS-新闻详情

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПЕРСОНАЛИЗИРОВАННЫХ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ НА ОСНОВЕ ИНТЕГРИРОВАННОЙ МОДЕЛИ GNN-RL

2024-06-02 00:00:00.0 机械制造与可靠性学报原网页

ШАРИФБАЕВ А.Н.1,
       ЗАЙНИДИНОВ Х.Н.2,
       КОВАЛЕВ И.В.3,
       КРАВЧЕНКО И.Н.4,
       КУЗНЕЦОВ Ю.А.5
       1 Московский физико-технический институт (национальный исследовательский университет), Долгопрудный, Россия
       2 Ташкентский университет информационных технологий им. Мухаммада аль-Хорезми, Ташкент, Узбекистан
       3 Сибирский федеральный университет, Красноярск, Россия
       4 Институт машиноведения имени А.А. Благонравова Российской академии наук, Москва, Россия
       5 Орловский государственный аграрный университет имени Н.В. Парахина, Орел, Россия

Тип: статья в журнале - научная статья Язык: русский

Номер: 2 Год: 2024 Страницы: 144-151
Поступила в редакцию: 15.04.2024Принята к печати: 02.06.2024

УДК: 004.89:159.953.52:517:531/534

ЖУРНАЛ:

       ПРОБЛЕМЫ МАШИНОСТРОЕНИЯ И АВТОМАТИЗАЦИИ
       Учредители: Институт машиноведения им. А.А. Благонравова РАН
       ISSN: 0234-6206

КЛЮЧЕВЫЕ СЛОВА:

ГРАФОВЫЕ НЕЙРОННЫЕ СЕТИ, ИНТЕГРИРОВАННАЯ МОДЕЛЬ, МЕТОД ДВОЙНЫХ ГЛУБОКИХ Q-СЕТЕЙ, МЕТОД ОБУЧЕНИЯ С ПОДКРЕПЛЕНИЕМ, ПЕРСОНАЛИЗИРОВАННЫЕ РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ

АННОТАЦИЯ:

Представлен современный подход к системам персонализированных рекомендаций, сочетающий в себе графовые нейронные сети GNN с методами обучения с подкреплением RL. GNN-модель оптимизирована для рекомендательных систем и обучается на основе векторных представлений пользователей и продуктов, которые используются для генерации первоначального списка рекомендаций, передающихся в RL-модель. Особое внимание уделено архитектуре и функционированию интегрированной модели GNN-RL. Приведены результаты экспериментальных исследований, демонстрирующие эффективность предложенного подхода.

БИБЛИОМЕТРИЧЕСКИЕ ПОКАЗАТЕЛИ:

Входит в РИНЦ: да Цитирований в РИНЦ: 0

Входит в ядро РИНЦ: да Цитирований из ядра РИНЦ: 0

Рецензии: нет данных Процентиль журнала в рейтинге SI: 25

ТЕМАТИЧЕСКИЕ РУБРИКИ:

Рубрика OECD: нет

Рубрика ASJC: нет

Рубрика ГРНТИ: нет

Специальность ВАК: нет

АЛЬТМЕТРИКИ:

Просмотров: 0 (0) Загрузок: 0 (0) Включено в подборки: 0

Всего оценок: 0 Средняя оценка: Всего отзывов: 0

ИНФОРМАЦИЯ О ФИНАНСОВОЙ ПОДДЕРЖКЕ:

       Выполнена в рамках научных тем FFGU-2021-0003 и FFGU-2024-0024 с использованием оборудования ЦКП ИМАШ РАН.

ОПИСАНИЕ НА АНГЛИЙСКОМ ЯЗЫКЕ:

       INCREASING THE EFFICIENCY OF PERSONALIZED RECOMMENDER SYSTEMS BASED ON THE INTEGRATED GNN-RL MODEL
       SHARIFBAEV A.N.1,
       ZAINIDINOV KH.N.2,
       KOVALEV I.V.3,
       KRAVCHENKO I.N.4,
       KUZNETSOV YU.A.5
       1 Moscow Institute of Physics and Technology (National Research University), Dolgoprudny, Russia
       2 Tashkent University of Information Technologies named after Muhammad al-Khwarizmi, Tashkent, Uzbekistan
       3 Siberian Federal University, Krasnoyarsk, Russia
       4 Mechanical Engineering Research Institute of the Russian Academy of Sciences, Moscow, Russia
       5 Orel State Agrarian University named after N.V. Parakhin, Orel, Russia


A modern approach to personalized recommendation systems is presented, combining graph neural networks (GNNs) with reinforcement learning (RL) techniques. The GNN model is optimized for recommender systems and is trained on vector representations of users and products, which are used to generate an initial list of recommendations that are fed to the RL model. Particular attention is paid to the architecture and operation of the integrated GNN-RL model. The results of experimental studies demonstrating the effectiveness of the proposed approach are presented.


       Keywords: GRAPH NEURAL NETWORKS, INTEGRATED MODEL, DOUBLE DEEP Q-NETWORK METHOD, REINFORCEMENT LEARNING METHOD, PERSONALIZED RECOMMENDER SYSTEMS

ВАША ЗАМЕТКА:

ОБСУЖДЕНИЕ:

Добавить новый комментарий к этой публикации

标签：综合
关键词： NEURAL NETWORKS RECOMMENDER SYSTEMS Входит машиноведения модель graph neural университет University GNN-RL

КЛЮЧЕВЫЕ СЛОВА:
	ГРАФОВЫЕ НЕЙРОННЫЕ СЕТИ, ИНТЕГРИРОВАННАЯ МОДЕЛЬ, МЕТОД ДВОЙНЫХ ГЛУБОКИХ Q-СЕТЕЙ, МЕТОД ОБУЧЕНИЯ С ПОДКРЕПЛЕНИЕМ, ПЕРСОНАЛИЗИРОВАННЫЕ РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ

ОПИСАНИЕ НА АНГЛИЙСКОМ ЯЗЫКЕ:
	INCREASING THE EFFICIENCY OF PERSONALIZED RECOMMENDER SYSTEMS BASED ON THE INTEGRATED GNN-RL MODEL SHARIFBAEV A.N.1, ZAINIDINOV KH.N.2, KOVALEV I.V.3, KRAVCHENKO I.N.4, KUZNETSOV YU.A.5 1 Moscow Institute of Physics and Technology (National Research University), Dolgoprudny, Russia 2 Tashkent University of Information Technologies named after Muhammad al-Khwarizmi, Tashkent, Uzbekistan 3 Siberian Federal University, Krasnoyarsk, Russia 4 Mechanical Engineering Research Institute of the Russian Academy of Sciences, Moscow, Russia 5 Orel State Agrarian University named after N.V. Parakhin, Orel, Russia
	A modern approach to personalized recommendation systems is presented, combining graph neural networks (GNNs) with reinforcement learning (RL) techniques. The GNN model is optimized for recommender systems and is trained on vector representations of users and products, which are used to generate an initial list of recommendations that are fed to the RL model. Particular attention is paid to the architecture and operation of the integrated GNN-RL model. The results of experimental studies demonstrating the effectiveness of the proposed approach are presented.
	Keywords: GRAPH NEURAL NETWORKS, INTEGRATED MODEL, DOUBLE DEEP Q-NETWORK METHOD, REINFORCEMENT LEARNING METHOD, PERSONALIZED RECOMMENDER SYSTEMS