Core Concepts
事前学習言語モデルの強力な系列モデリング能力は、順次推薦タスクにおいて十分に活用されていない。行動履歴に適応したより簡単な系列モデルと事前学習言語モデルの行動情報を活用した初期化が、効率的かつ効果的な方法である。
Abstract
本研究は、事前学習言語モデルの順次推薦への活用を深く分析しています。
まず、代表的なSOTA PLM系列推薦モデルRECFORMERを用いて、以下の2つの重要な発見をしています:
RECFORMERは、行動履歴のモデリングにおいて、その基盤となるPLMとは全く異なる機能的な層化を示しています。上位層(順次推薦適応により重要)は、従来のID系列推薦モデルに近似しています。
PLMを行動履歴モデリングに用いる際には、大幅なパラメータの冗長性が存在しています。同一機能層の異なる注意力ヘッドや層の間で、大きな類似性が観察されます。選択的に1/4のレイヤーのみを微調整しても、オリジナルのRECFORMERと同等以上の性能が得られます。
これらの発見に基づき、著者らは、従来のID系列推薦モデルから借用した簡略化された系列モデリング手法を用いた、PLM系列推薦モデルの改良バリアントを提案しています。その結果、以下の2点が明らかになりました:
行動履歴に適応したPLMによる初期化が、推薦性能の大幅な向上に寄与する。一方、元のPLMによる初期化は効果がない。
複雑なPLMベースの系列モデリングは必要ではなく、簡単なID系列モデルでも十分な性能が得られる。
これらの発見に基づき、著者らは、PLMの順次推薦への効率的かつ効果的な活用方法として、以下の2点を提案しています:
従来のID系列モデルを用いた簡略化された系列モデリング
行動履歴に適応したPLMによる初期化
広範な実験の結果、この提案フレームワークが、追加のコスト無しに、PLMベースおよび従来のID系列推薦モデルに対して大幅な性能向上をもたらすことが示されています。
Stats
行動履歴に適応したPLMを用いた初期化は、従来のID系列推薦モデルの性能を大幅に向上させることができる。
選択的に1/4のレイヤーのみを微調整しても、オリジナルのRECFORMERと同等以上の性能が得られる。
Quotes
"PLMの強力な系列モデリング能力は、順次推薦タスクにおいて十分に活用されていない。"
"行動履歴に適応したPLMによる初期化が、推薦性能の大幅な向上に寄与する。一方、元のPLMによる初期化は効果がない。"
"複雑なPLMベースの系列モデリングは必要ではなく、簡単なID系列モデルでも十分な性能が得られる。"