Core Concepts
単一の枠組みで、ユーザーの好みに合わせて柔軟に推薦を行うことができる。
Abstract
本研究では、多角的ニューラルニュース推薦(MANNeR)と呼ばれる新しいモジュール型フレームワークを提案している。MANNeRは、事前学習言語モデルを基盤として、各側面(コンテンツ、トピック、感情など)に特化したニュースエンコーダを学習する。これにより、ユーザーの好みに合わせて、各側面の重要度を柔軟に調整できる推薦機能を実現している。
実験の結果、MANNeRは従来の推薦手法と比べて、コンテンツ個人化、側面多様化、側面個人化のいずれの指標においても優れた性能を示した。また、言語間転移の実験から、MANNeRのモジュール設計により、低リソース言語への適用も可能であることが示された。
Stats
ニュースの内容とユーザーの過去の閲覧履歴の類似度が高いほど、推薦の精度が高くなる。
トピックの多様性を高めると、コンテンツ個人化の精度が低下する。
感情の個人化を強めると、コンテンツ個人化の精度が大きく低下する。
Quotes
"単一の枠組みで柔軟に使える: 多角的ニューラルニュース推薦のためのモジュール型フレームワーク"
"ユーザーの好みに合わせて柔軟に推薦を行うことができる"