Closed nogawanogawa closed 1 year ago
candidate generationはリコールに焦点を当てている。 ただし、一般的なANNベースの候補集合では複数の興味を持つユーザーに対して、単一の興味に関する候補しか取得できない問題がある。
複数の興味を持つユーザーの嗜好をモデル化したcandidate retrievalの実現
ユーザーとアイテムをインタラクションの有無をエッジにして二部グラフで表現する。
これらをベースとしてcandidate retrievalを考える。
このようなデータ構造ではあるが、ノードのEmbeddingを下記の用に考える。
さらに下記の用に負例を追加して学習することでnode embeddingを学習することが出来る。
アイテムに関してspherical k-meansによってクラスタリングを行う。
クラスタへの関与について、最尤推定によってユーザーが関連するクラスタを推定する。
ユーザーの過去の行動がユーザーの嗜好を完全に反映していないことが考えられるため、類似したユーザーを判定してこれを補う。
類似したユーザーの特定の興味への関与率の平均を取得する
取得した関与率を用いて、自身の Mixture of Embeddingsを補正する。
近傍探索の中心はcentroidを使用して近傍探索を行う。 自身が関与したアイテムのembeddingの中心に加えて、近傍のユーザーが関与したembeddingの中心で補正した点をユーザーの興味の中心として設定する。
既存の手法(Mixture)より良さそう
多様性は低くなっているが、Recallが上がっていることを考えると無駄なcandidate が減少したと見るのが良さそう(効率が上がった)
※ユークリッド距離で比較しているので、値が小さいほどよい。
良くなってそう
論文URL
https://arxiv.org/abs/2205.06205
著者
Ahmed El-Kishky, Thomas Markovich, Kenny Leung, Frank Portman, Aria Haghighi, Ying Xiao
会議
?
背景
DeepLearningの発展によって、推薦におけるcandidate retrievalはANNベースのものが多くなっている。 ただし、この方法はいくつかの問題をはらんでいる。
目的
複数の興味を持つユーザーの嗜好をモデル化したcandidate retrievalの実現
アプローチ
ひとことメモ
https://github.com/nogawanogawa/paper_memo/issues/63 の先行研究