本研究では、推薦の多様性を高めるための新しい手法KG-Diverseを提案している。主な特徴は以下の通りである:
知識グラフ内のエンティティカバレッジ(EC)と関係カバレッジ(RC)という2つの新しい多様性指標を導入し、推薦の多様性を定量的に評価できるようにした。
多様性を意識したユーザー表現を生成するDiversified Embedding Learning(DEL)モジュールを提案した。これにより、多様性を高めつつ、推薦精度も維持できる。
知識グラフ内の類似性を適切にエンコーディングするConditional Alignment and Uniformity(CAU)手法を開発した。これにより、知識グラフ埋め込みの質を高めることができる。
3つのベンチマークデータセットで実験を行い、提案手法KG-Diverseが既存手法に比べて優れた多様性と精度のトレードオフを実現できることを示した。
翻譯成其他語言
從原文內容
arxiv.org
深入探究