Atténuer le biais de popularité dans le filtrage collaboratif basé sur GNN grâce à des techniques de dé-biaisage

Les réseaux de neurones graphiques (GNN) ont démontré une efficacité remarquable dans le filtrage collaboratif (CF) en exploitant les graphes d'interaction utilisateur-article. Cependant, ces modèles rencontrent souvent des défis en raison du biais de popularité, où la prédominance des articles fréquemment interagis éclipse ceux qui sont moins populaires. Ce biais est exacerbé par la nature du passage de messages dans les GNN, qui tend à amplifier les signaux des articles populaires tout en diminuant la visibilité des options de niche. Les méthodes traditionnelles de dé-biaisage, telles que les stratégies de ré-pondération et les techniques de post-traitement, échouent dans les contextes GNN car elles ne traitent pas adéquatement le biais introduit lors de la phase d'agrégation. Pour relever ce défi, nous introduisons le cadre de Dé-biaisage de l'Amplification de Popularité dans l'Agrégation (DPAA). Cette approche innovante intègre une pondération d'interaction adaptative sensible aux représentations des utilisateurs et applique une pondération couche par couche pour améliorer la visibilité des articles moins courants. Nos expériences montrent que le DPAA surpasse de manière significative les méthodes existantes de correction du biais de popularité dans le filtrage collaboratif basé sur GNN, mettant en évidence son potentiel pour améliorer la diversité des recommandations.