ДИАГНОСТИЧЕСКИЙ ПРОТОКОЛ ОЦЕНКИ ГРАФОВО- СЕМАНТИЧЕСКИХ РЕКОМЕНДАТЕЛЬНЫХ МОДЕЛЕЙ ПРИ РАЗРЕЖЕННЫХ ДАННЫХ
В. В. Дубровин, Е.И. Алаторцев, И.А. Бабкин · Современные наукоемкие технологии (Modern High Technologies) · 2026
В рекомендательных системах с разреженными пользовательско-объектными взаимодействиями агрегированные метрики качества не всегда объясняют, за счет чего получен результат модели. Неоднозначность особенно заметна, когда граф взаимодействий дополняется содержательными признаками объектов: текстовыми описаниями, категориями и метаданными. Цель исследования – разработать компактный диагностический протокол для интерпретации результатов графово-семантических рекомендательных моделей при разреженных данных и проверить его в предметных областях с различной ролью семантических признаков и популярностного смещения. В качестве материалов использованы коллекции Amazon Books, Movies и Yelp, а также подготовленные на их основе экспериментальные срезы. Методика включает полное ранжирование с исключением известных пользователю объектов, семантический и популярностный контроль, стратификацию по популярности объектов и проверку устойчивости ключевых сравнений. Применение протокола позволило различить семантическое доминирование на исходном Amazon, смешанный режим на отфильтрованном срезе Amazon, отрицательный перенос на Movies и популярностное доминирование на Yelp. Полученные результаты показывают, что одинаковое изменение агрегированной метрики может иметь различные объяснения в зависимости от состава данных и базового метода. Протокол уточняет интерпретацию качества моделей в автономных экспериментах, но не заменяет причинную оценку или проверку в пользовательском эксперименте.
Cited by 0 works. doi:10.17513/snt.40899 Open-access PDF
Authors
References
- Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks
- LightGCN
- Multi-task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics
- Bias and Debias in Recommender System: A Survey and Future Directions
- On Sampled Metrics for Item Recommendation
- Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning
- RecBole: Towards a Unified, Comprehensive and Efficient Framework for Recommendation Algorithms
- Self-Supervised Learning for Recommender Systems: A Survey
- Are We Evaluating Rigorously? Benchmarking Recommendation for Reproducible Evaluation and Fair Comparison
- RecBole 2.0: Towards a More Up-to-Date Recommendation Library