Open ftnext opened 2 years ago
https://www.ipsj.or.jp/dp/contents/publication/49/S1301-S03.html
受注済みの企業と類似度の高い企業を推定する二値分類問題について、 既存の手法(ナイーブベイズの独自拡張)には特徴量間の正相関による問題があったが 提案手法(L2正則化項付きのロジスティック回帰モデル)により、同等以上の精度を達成することを確認した
ターゲット企業の推薦問題を二値分類問題と捉える(2.1) 企業類似度は0〜1の値を取り、1に近いほど既存企業に近い(=受注確率が高い)
既存手法:ナイーブベイズの独自拡張(NBEM)(2.1)
提案手法:L2正則化項付きのロジスティック回帰モデル(L2LR)(2.2)
実験結果(3.2 ※3.2が複数ある)
AUCについてはL2LRが最も良い Precision@20 100についてもL2LRが良い傾向にある
既存手法の提案論文 https://www.jstage.jst.go.jp/article/pjsai/JSAI2019/0/JSAI2019_4Rin130/_article/-char/ja/
https://www.ipsj.or.jp/dp/contents/publication/49/S1301-S03.html
まとめ
受注済みの企業と類似度の高い企業を推定する二値分類問題について、 既存の手法(ナイーブベイズの独自拡張)には特徴量間の正相関による問題があったが 提案手法(L2正則化項付きのロジスティック回帰モデル)により、同等以上の精度を達成することを確認した
問題設定
ターゲット企業の推薦問題を二値分類問題と捉える(2.1) 企業類似度は0〜1の値を取り、1に近いほど既存企業に近い(=受注確率が高い)
手法
既存手法:ナイーブベイズの独自拡張(NBEM)(2.1)
提案手法:L2正則化項付きのロジスティック回帰モデル(L2LR)(2.2)
実験結果(3.2 ※3.2が複数ある)
感想