Reproducing work for Simple-HGN and proposing a novel algorithm named attention-based matrix factorization

Il Recommender System è un sistema di filtraggio delle informazioni applicato per prevedere la valutazione che un utente darà a un articolo. Grazie ai comportamenti storici dell'utente e agli attributi dell'articolo, il sistema può generare un elenco di raccomandazioni personalizzate composto dagli articoli che potrebbero piacere all'utente in futuro. Per cercare di migliorare la soddisfazione dell'esperienza di acquisto degli utenti e l'impegno nei confronti di un prodotto, il recommender system svolge sempre un ruolo importante nel campo del commercio elettronico. Negli ultimi anni, grazie al rapido sviluppo degli algoritmi di apprendimento automatico e alla continua espansione dei domini di applicazione, ad esempio gli assistenti virtuali e l'assistenza sanitaria, il tentativo di applicare algoritmi di deep learning ai recommender system è diventato una direzione di ricerca sempre più popolare, con l'obiettivo di fornire ai clienti potenziali prodotti di acquisto più accurati. Tuttavia, in alcuni casi, questi modelli di deep learning possono essere troppo complessi e la maggior parte della capacità di modellazione può derivare da altre parti più semplici. Per questo motivo, il presente documento presenta un nuovo algoritmo che sostituisce la parte di deep learning del modello Simple-HGN, un metodo descritto nel documento "Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous graph neural networks", con l'aggiunta di un meccanismo di attenzione implementato tramite matrix factorization. La tesi inizialmente convalida la replicabilità dei risultati ottenuti da Simple-HGN, come documentato nell'articolo, e successivamente conduce uno studio di ablazione per valutare i singoli contributi dei vari componenti all'interno del modello Simple-HGN. In seguito, viene ideato e implementato il nuovo modello denominato Attention-based Matrix Factorization. Inoltre, viene effettuato un confronto tra Simple-HGN e un insieme di linee di base ben ottimizzate, utilizzando diversi set di dati impiegati nel documento.

Recommender System is an information filtering system applied to predict the rating that a user would give to an item. With the user's history behaviors and item attributes, the system can generate a personalized recommendation list consisting of the items which a user may like in the future. To seek to improve satisfaction in users' shopping experience and engagement with a product service, the recommender system always plays an important role in the field of electronic commerce. In recent years, due to the rapid development of machine learning algorithms and the continuous expansion of application domains, e.g. virtual assistants and healthcare, the attempt to apply deep learning algorithms to Recommender Systems has also become an increasingly popular research direction, aimed at providing customers with more accurate potential purchase products. However, in some cases, these deep learning models may be over-complex and most of the modeling capacity may come from other simpler parts. Therefore, this paper presents a novel algorithm that replaces the deep-learning part of the Simple-HGN model, a method described in the paper "Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous graph neural networks", with adding an attention mechanism which is implemented by matrix factorization. The thesis initially validates the replicability of the outcomes achieved by Simple-HGN as documented in the paper, subsequently conducts an ablation study to assess the individual contributions of various components within the Simple-HGN model. Following this, the novel model named Attention-based Matrix Factorization is devised and implemented. Additionally, a comparison is made between Simple-HGN and a collection of well-optimized baselines, utilizing several datasets employed within the paper.