Core Concepts
提案するM3oEフレームワークは、複数のドメインと複数のタスクを同時に処理し、ドメイン間およびタスク間の知識を効果的に転移および統合することで、ユーザー嗜好のより包括的な理解を実現する。
Abstract
本論文は、実際の推薦環境では複数のドメインと複数のタスクが同時に存在するという課題に取り組んでいる。従来の手法は、ドメイン間やタスク間の相互作用を十分に考慮できず、バランスの取れた性能を発揮できないことが指摘されている。
提案するM3oEフレームワークは以下の特徴を持つ:
- ドメイン表現抽出層: ドメイン固有の特徴と共通の特徴を統合的に学習する。
- 多視点エキスパート学習層: 共通の嗜好、ドメイン固有の嗜好、タスク固有の嗜好を別々に学習する3つのエキスパートモジュールを持つ。
- 2段階の融合メカニズム: ドメイン間、タスク間、および3つのエキスパートの出力を柔軟に融合する。
- AutoMLによる自動最適化: ドメインとタスクの融合重みを自動的に最適化する。
実験の結果、提案手法M3oEは既存手法に比べて一貫して優れた性能を示し、ドメイン間およびタスク間の相互作用を効果的に捉えられることが確認された。
Stats
ドメイン1のタスク1の予測AUCは76.61%で、最良ベースラインに比べて2.07%の相対的な改善が得られた。
ドメイン1のタスク2の予測AUCは78.13%で、最良ベースラインに比べて3.15%の相対的な改善が得られた。
ドメイン2のタスク1の予測AUCは77.51%で、最良ベースラインに比べて2.38%の相対的な改善が得られた。
ドメイン2のタスク2の予測AUCは79.33%で、最良ベースラインに比べて2.09%の相対的な改善が得られた。
ドメイン3のタスク1の予測AUCは74.47%で、最良ベースラインに比べて2.09%の相対的な改善が得られた。
ドメイン3のタスク2の予測AUCは76.09%で、最良ベースラインに比べて2.68%の相対的な改善が得られた。