Core Concepts
提案されたシンプルな自己教育型コントラスティブラーニングフレームワークは、正確なユーザー-アイテム特徴表現を学習するために、偽陽性と偽陰性の例を改善します。
Abstract
ABSTRACT
コントラスティブ学習ベースの推薦アルゴリズムが自己教育型推薦の分野を大きく前進させている。
偽陽性と偽陰性の例が正確な好みの学習を妨げる。
自己教育型コントラスティブ学習方法は、BPRを代表とするランキング予測タスクで効果的です。
INTRODUCTION
推薦システムはeコマース、ソーシャルメディア、ニュース読み取りなど多くの領域で重要です。
現在、多くの最先端推薦モデルは自己教育学習(SSL)技術を活用しています。
METHODOLOGY
Positive Feature Augmentation
ポジティブインスタンス特徴拡張により、偽陽性例から生じる誤った自己教育信号を軽減します。
Negative Label Augmentation
ネガティブラベル拡張では、難しい負例がサンプリングされます。
Optimization Criterion
特徴拡張とラベル拡張後、最適化基準は「最も代表的なポジティブ例(興味センター)への好みが困難な負例(ユーザーが好まないアイテム)への好みよりも高い」という修正された自己教育信号に対応します。
EXPERIMENT
5つの公開データセットで実験評価が行われました。
提案手法はトップkランキング精度で他手法を上回りました。
Stats
提案された手法はトップkランキング精度で他手法を上回っています。