Core Concepts
ユーザーの限定的な行動データに対して、ユーザーの潜在的な意図を捉えることで、自己教師あり学習と自己蒸留を効果的に組み合わせ、次のアイテム推薦の性能を向上させる。
Abstract
本論文は、ユーザーの行動データが限定的な場合でも、効果的に次のアイテムを推薦する手法を提案している。具体的には以下の3つの取り組みを行っている:
オンラインクラスタリングを用いて、ユーザーの潜在的な意図を捉える。これにより、ユーザーの行動長さに依存せずに、意図に基づいてユーザーをグループ化することができる。
自己教師あり学習と自己蒸留を組み合わせることで、行動データが豊富なユーザー(教師)から、データが限定的なユーザー(生徒)に知識を転移する。これにより、データ不足の問題を解決する。
行動長さに依存しないクラスタリングを実現するため、敵対的学習を導入する。これにより、クラスタリングの結果が行動長さの影響を受けないようにする。
実験の結果、提案手法は既存手法と比べて優れた推薦性能を示すことが確認された。特に、行動データが限定的なユーザーに対する推薦精度が大幅に向上している。
Stats
ユーザー数は22,363人、アイテム数は12,101個、平均シーケンス長は8.9である。
ユーザー数は35,598人、アイテム数は18,357個、平均シーケンス長は8.3である。
ユーザー数は19,412人、アイテム数は11,924個、平均シーケンス長は8.6である。
ユーザー数は6,041人、アイテム数は3,417個、平均シーケンス長は165.5である。
Quotes
"ユーザーの潜在的な意図を捉えることで、自己教師あり学習と自己蒸留を効果的に組み合わせ、次のアイテム推薦の性能を向上させる。"
"行動データが豊富なユーザー(教師)から、データが限定的なユーザー(生徒)に知識を転移することで、データ不足の問題を解決する。"
"行動長さに依存しないクラスタリングを実現するため、敵対的学習を導入する。"