Główne pojęcia
本研究は、ユーザーの行動ごとの特定のアイテム嗜好を学習し、それらを的確に活用することで、多行動推薦の精度を大幅に向上させる新しいアプローチを提案する。
Streszczenie
本研究は、多行動推薦の課題に取り組むための新しいアプローチを提案している。従来の多行動推薦手法では、補助行動から得られた情報を直接的に目的行動の推薦に活用していたが、これにより目的行動における不要なノイズが導入される可能性があった。
本研究では、行動文脈化アイテム嗜好ネットワーク(BIPN)を提案し、ユーザーの各行動における特定のアイテム嗜好を学習する。BIPNは3層構造を持ち、ユーザーとアイテムの相互作用を行動ごとに詳細にモデル化する。補助行動のデータは学習過程でのパラメータ最適化にのみ利用し、最終的な推薦には直接影響させない。
さらに、初期エンベディングの事前学習と、目的行動におけるユーザー嗜好の強化モジュールを導入することで、データスパース性の問題にも対処している。
提案手法は4つの実データセットで評価され、既存手法を大きく上回る性能を示した。特に、補助行動からのノイズ低減の効果が確認された。
Statystyki
ユーザー数: 48,749
アイテム数: 39,493
総インタラクション数: 2.0 × 106
平均目的行動インタラクション数: 3
ユーザー数: 41,738
アイテム数: 11,953
総インタラクション数: 2.3 × 106
平均目的行動インタラクション数: 4
ユーザー数: 19,800
アイテム数: 22,734
総インタラクション数: 1.4 × 106
平均目的行動インタラクション数: 33
ユーザー数: 67,788
アイテム数: 8,704
総インタラクション数: 9.9 × 106
平均目的行動インタラクション数: 72
Cytaty
"本研究は、ユーザーの行動ごとの特定のアイテム嗜好を学習し、それらを的確に活用することで、多行動推薦の精度を大幅に向上させる新しいアプローチを提案する。"
"補助行動のデータは学習過程でのパラメータ最適化にのみ利用し、最終的な推薦には直接影響させない。"
"提案手法は4つの実データセットで評価され、既存手法を大きく上回る性能を示した。特に、補助行動からのノイズ低減の効果が確認された。"