Conceitos Básicos
積極的な推薦を実現するためのIPGフレームワークは、柔軟で効果的なガイド方法を提供します。
Resumo
ユーザーの興味を新しい方向に導くための積極的な推奨システムが重要性を強調。
IPGフレームワークは、柔軟で効果的なガイド方法を提供し、既存のRSに簡単に統合可能。
実験結果は、IPGがユーザーの関心を目標関心に効果的に導き、推奨精度の適切なトレードオフを示すことを確認。
SASRec-IPGは他の手法よりもIoI@Kメトリックで優れたパフォーマンスを発揮。
ケーススタディでは、SASRec-IPGがユーザーの埋め込み進化と推奨アイテムの埋め込みを系統的に収束させる能力を示す。
環境シミュレータ
ユーザーおよびアイテム埋め込み:20次元埋め込みで特徴付けられる。アイテムiの埋め込みe_iはカテゴリごとに生成される。
クリックモデル:ユーザーuとアイテムi間の相互作用確率を表すσ(w(e_u^T e_i - b_{ui} - b))式使用。
好み進化:好み変化はユーザー埋め込みe_uの変化で反映される。ポジティブインタラクション後、e_uがアイテムi方向へ移動する。
飽き効果:カテゴリおよびアイテムごとに飽き効果導入。
評価プロトコル
ログ収集段階:100ラウンドでオラクルおよびランダム推奨戦略使用してインタラクションログ収集。6034人のユーザーと3533個のアイテムから成るデータセット生成。
ガイダンス段階:20ラウンドで特定ターゲットアイテム選択し、各ラウンドで推奨されたアイテムとフィードバック評価。
比較手法
SASRec, 2) IRN, 3) SASRec-Heuristic, 4) SASRec-IPG
結果と考察
SASRec-IPGがIoI@Kメトリックで他手法よりも優れていることが示された。
ケーススタディでは、SASRec-IPGが効果的なガイド経路構築能力を示した。