Lutter contre la surconfiance en matière de recommandations : Conf-GNNRec, une nouvelle approche

L’essor des systèmes de recommandation basés sur les réseaux neuronaux graphiques (GNN) a révolutionné le monde des suggestions personnalisées. Cependant, ces systèmes sont vulnérables au bruit, notamment dû à la mauvaise utilisation par les utilisateurs ou à la publicité malveillante. Ce bruit s’accumule au cours de la propagation des messages, affectant la fiabilité des prédictions.

Le problème de la surconfiance

Même si des méthodes existent pour atténuer ces effets en réduisant les poids de propagation du bruit, la sparsité inhérente aux systèmes de recommandation pose problème. Des voisins bruyants, malgré leur faible poids, peuvent être interprétés comme des informations pertinentes, contaminant ainsi les prédictions. Ceci souligne la nécessité de quantifier la confiance des résultats.

Une évaluation des méthodes de recommandation GNN existantes révèle un problème de surconfiance. Les prédictions sont souvent trop affirmées, même face à des données bruitées.

Conf-GNNRec : une solution pour calibrer la confiance

Pour pallier ces limitations, Conf-GNNRec propose une nouvelle méthode pour quantifier et calibrer la confiance des prédictions des recommandations GNN. Cette approche repose sur deux innovations :

• ✓ Un mécanisme de calibration des notes qui ajuste dynamiquement les notes excessives pour atténuer la surconfiance, en tenant compte des caractéristiques de chaque utilisateur.
• ✓ Une fonction de perte de confiance qui réduit la surconfiance des échantillons négatifs, améliorant ainsi les performances de recommandation.

Résultats prometteurs

Des expérimentations sur des jeux de données publiques démontrent l’efficacité de Conf-GNNRec, tant en termes de quantification de la confiance que d’amélioration des performances de recommandation. Cette approche ouvre des perspectives intéressantes pour renforcer la fiabilité des systèmes de recommandation dans un contexte bruité.

Points clés à retenir

• ✓ Conf-GNNRec améliore la précision des systèmes de recommandation GNN en quantifiant et calibrant la confiance des prédictions.
• ✓ Il atténue la surconfiance observée dans les systèmes existants.
• ✓ Son approche personnalisée prend en compte les caractéristiques spécifiques de chaque utilisateur.
• ✓ Les résultats expérimentaux montrent une amélioration significative des performances.