本調査は、自己教師学習を活用した推薦システムに関する包括的な研究レビューを行っている。
まず、推薦システムの基本的な定義と課題を説明する。推薦システムは、ユーザーの嗜好を理解し、個人に最適な推薦を行うことで、情報過多の問題に対処する重要な役割を果たしている。深層学習手法の発展により、推薦システムの性能は大きく向上したが、実世界のデータ疎sparse性の問題に直面している。
そこで、自己教師学習が注目されている。自己教師学習は、ラベル付きデータに依存せずに、データ自体の構造から教師信号を生成することで、データ疎sparse性の問題に対処する。本調査では、自己教師学習を活用した推薦システムの研究を、対照学習、生成学習、敵対的学習の3つのパラダイムに分類して詳細に解説する。
各パラダイムにおいて、どのようにデータ拡張やペア生成、損失関数の設計などを行い、推薦性能の向上につなげているかを具体的に説明する。さらに、一般的な協調フィルタリングから、シーケンシャル推薦、ソーシャル推薦、知識ベース推薦など、様々な推薦シナリオにおける自己教師学習の適用事例を紹介する。
本調査は、自己教師学習を活用した推薦システムの最新動向を包括的に整理し、今後の研究の方向性を示唆するものである。
Іншою мовою
із вихідного контенту
arxiv.org
Ключові висновки, отримані з
by Xubin Ren,We... о arxiv.org 04-05-2024
https://arxiv.org/pdf/2404.03354.pdfГлибші Запити