Core Concepts
アイテムの人気ダイナミクスを活用することで、アプリケーション間やドメイン間の移転が可能な事前学習型シーケンシャル推薦フレームワークを提案する。
Abstract
本論文では、アプリケーション間やドメイン間の移転が可能な事前学習型シーケンシャル推薦フレームワークであるPrepRecを提案している。従来の推薦モデルは、アイテムIDや補助情報に基づいてアイテム表現を学習するため、ドメイン間の移転が困難であった。一方、PrepRecは、アイテムの人気ダイナミクスに着目し、ユニバーサルなアイテム表現を学習する。具体的には、長期的な人気と短期的な人気の2つの時間スケールでアイテムの人気ダイナミクスをモデル化し、人気ダイナミクス対応型のTransformerアーキテクチャを提案している。これにより、アプリケーション間やドメイン間の移転が可能となり、ゼロショット学習を実現している。実験の結果、PrepRecは既存の推薦モデルと比べて優れた性能を示すことが確認された。
Stats
人気の高いアイテムは、一般的に長期的な人気が高い傾向にある。
短期的な人気の変動は、季節性や流行の変化などを反映している。
アイテムの人気ダイナミクスは、ユーザーの行動を予測する上で重要な要素である。
Quotes
"我々は、アプリケーション間やドメイン間の移転が可能な事前学習型シーケンシャル推薦フレームワークを提案する。"
"従来の推薦モデルは、アイテムIDや補助情報に基づいてアイテム表現を学習するため、ドメイン間の移転が困難であった。"
"PrepRecは、アイテムの人気ダイナミクスに着目し、ユニバーサルなアイテム表現を学習する。"