Detailansicht
Synergistic fusion of session and sequence-based recommendation systems with dynamic graph neural networks
Simon Süwer
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Nils Kriege
DOI
10.25365/thesis.74282
URN
urn:nbn:at:at-ubw:1-12496.89406.139696-1
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Im Zeitalter des Online-Handels sind Empfehlungssysteme zu einem wichtigen Instrument für Unternehmen geworden, um den Nutzern personalisierte Empfehlungen zu geben und so den Umsatz zu steigern. Obwohl hybride Empfehlungssysteme, die sequentielle und sitzungsbasierte Ansätze kombinieren, Fortschritte gemacht haben, ist der Einsatz von DGNNs in diesem Kontext noch weitgehend unerforscht. Diese Masterarbeit adressiert diese Lücke und evaluiert das Potential von DGNNs, um diese Ansätze effektiver zu kombinieren. Das entwickelte Temporal Graph Recommendation (TGR) Modell verwendet DGNNs, um das Benutzerverhalten über mehrere Sitzungen hinweg zu erfassen und zu modellieren, um die Effektivität kombinierter Empfehlungssysteme zu verbessern. Das TGR-Modell besteht aus drei Schichten, die graphbasierte Methoden und Aufmerksamkeitsmechanismen verwenden, um dynamische Beziehungen zwischen Benutzern, Produkten und deren Interaktionen über die Zeit zu berücksichtigen. Im Vergleich zu aktuellen Methoden zeigt TGR signifikante Verbesserungen und liefert relevante, personalisierte Empfehlungen. Diese Arbeit leistet einen wichtigen Beitrag zur Erforschung von Empfehlungssystemen.
Abstract
(Englisch)
In the age of online commerce, recommendation systems have become an important tool for businesses to provide personalized recommendations to users and increase sales. Despite progress in hybrid recommendation systems, particularly in integrating sequential and session-based approaches, the use of Dynamic Graph Neural Networks (DGNNs) in this context still needs to be explored. This thesis addresses this research gap by evaluating the potential of DGNNs to improve the fusion of sequential and session-based recommendation systems. The objective is to generate more accurate personalized recommendations and provide a foundation for future scientific research in this area. This thesis combines session-based and sequential recommendation systems to achieve this objective. The proposed Temporal Graph Recommendation (TGR) model uses DGNNs to capture and model user behavior in multiple sessions, improving the effectiveness of hybrid recommendation systems. TGR consists of three layers, which use graph-based methods and attention mechanisms to account for dynamic relationships between users, products, and interactions over time. Crucially, the TGR model delivers relevant, personalized product suggestions derived from user-system interactions. TGR outperforms state-of-the-art models and adds significant value to the evolving discourse on recommendation systems.
Schlagwörter
Schlagwörter
(Deutsch)
GNN DGNN Empfehlungssystem Hybrid-Empfehlungssystem
Schlagwörter
(Englisch)
GNN DGNN Recommendation system Hybrid recommendation system
Autor*innen
Simon Süwer
Haupttitel (Englisch)
Synergistic fusion of session and sequence-based recommendation systems with dynamic graph neural networks
Paralleltitel (Deutsch)
Synergistische Fusion von sitzungs- und sequenzbasierten Empfehlungssystemen mit dynamischen neuronalen Graphennetzen
Publikationsjahr
2023
Umfangsangabe
xx, 224 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Nils Kriege
Klassifikationen
54 Informatik > 54.72 Künstliche Intelligenz ,
54 Informatik > 54.80 Angewandte Informatik
AC Nummer
AC16945765
Utheses ID
68227
Studienkennzahl
UA | 066 | 921 | |