Core Concepts
본 논문은 다중 도메인 다중 과제 추천 문제를 해결하기 위한 적응형 M3oE 프레임워크를 제안한다. M3oE는 다중 도메인 정보를 통합하고, 도메인과 과제 간 지식을 매핑하며, 다중 목표를 최적화한다.
Abstract
이 논문은 다중 도메인 다중 과제 추천 문제를 해결하기 위한 M3oE 프레임워크를 제안한다.
-
도메인 표현 추출 계층: 도메인 간 공통 정보와 고유 정보를 통합하여 다중 도메인 표현을 생성한다.
-
다중 관점 전문가 학습 계층:
- 공통 전문가 모듈: 도메인과 과제를 가로지르는 공통 패턴을 학습한다.
- 도메인 전문가 모듈: 각 도메인의 고유 특성을 포착한다.
- 과제 전문가 모듈: 각 과제의 고유 특성을 모델링한다.
- 두 단계 융합 메커니즘: 도메인 간, 과제 간, 그리고 전문가 간 정보를 융합한다.
-
다중 도메인 다중 과제 목표 예측 계층: 각 도메인-과제 쌍에 대한 개별 예측기를 학습한다.
-
AutoML 기반 최적화: 도메인 및 과제 융합 가중치를 자동으로 최적화한다.
실험 결과, M3oE는 다양한 기준선 모델들을 능가하는 성능을 보였다. 이는 M3oE가 다중 도메인 및 다중 과제 간 지식 전이와 통합을 효과적으로 수행할 수 있음을 보여준다.
Stats
도메인 1의 과제 1에서 M3oE의 AUC는 76.61%로, 최고 기준선 대비 2.07% 향상되었다.
도메인 2의 과제 2에서 M3oE의 AUC는 79.33%로, 최고 기준선 대비 2.09% 향상되었다.
도메인 3의 과제 2에서 M3oE의 AUC는 76.09%로, 최고 기준선 대비 2.68% 향상되었다.
KuaiRand-Pure 데이터셋에서 M3oE의 전체 AUC는 66.37%로, 최고 기준선 대비 5.48% 향상되었다.
Quotes
"M3oE는 다중 도메인 정보를 통합하고, 도메인과 과제 간 지식을 매핑하며, 다중 목표를 최적화한다."
"M3oE는 공통 전문가 모듈, 도메인 전문가 모듈, 과제 전문가 모듈을 통해 다중 관점의 사용자 선호도를 학습한다."
"M3oE는 두 단계 융합 메커니즘을 통해 도메인 간, 과제 간, 그리고 전문가 간 정보를 정밀하게 통합한다."