مدل سازی و تحلیل ماتریسی انتشار ویژگی ها در شبکه های عصبی گراف ناهمگون برای سیستم های توصیه گر

این مقاله با هدف غلبه بر چالش های پراکندگی داده و مدل سازی روابط پیچیده در سیستم های توصیه گر، یک چهارچوب مبتنی بر تحلیل ماتریسی برای فرآیند انتشار ویژگی در شبکه های عصبی گراف ناهمگون ارائه می دهد. در این چهارچوب، عملیات کانولوشن گرافی به مجموعه ای از تبدیلات ماتریسی تجزیه شده و به صورت ریاضی نشان داده می شود که این فرآیند گونه روابط ساختاری مرتبه بالا را برای تولید نمایش های برداری غنی از موجودیت ها ثبت می کند. اعتبارسنجی این مدل روی داده های واقعی، بهبود معنادار دقت توصیه ها نسبت به روش های پایه و همگرایی الگوریتم بهینه سازی را به اثبات می رساند.