[2022/05/26]Machine Learning 輪講

[hakubishin3]

Why

Machine Learning 輪講は最新の技術や論文を追うことで、エンジニアが「技術で解決できること」のレベルをあげていくことを目的にした会です。

prev. https://github.com/wantedly/machine-learning-round-table/issues/142

What

話したいことがある人はここにコメントしましょう！ 面白いものを見つけた時点でとりあえず話すという宣言だけでもしましょう！

[hakubishin3]

Hybrid Reciprocal Recommender Systems: Integrating Item-to-User Principles in Reciprocal Recommendation

https://dl.acm.org/doi/abs/10.1145/3366424.3383295

従来のCFベースのRRS(相互推薦)の出力にコンテンツベースを組み合わせたハイブリッド型のRRSを提案

[nogawanogawa]

Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba

論文URL

https://arxiv.org/abs/1803.02349

著者

Jizhe Wang, Pipei Huang, Huan Zhao, Zhibo Zhang, Binqiang Zhao, Dik Lun Lee

会議

KDD ’18

背景

学術界と産業界の様々な推薦方法、例えば協調フィルタリング（CF）やコンテンツベースの方法、深層学習ベースの方法の成功にもかかわらず、Taobaoではユーザーとアイテムが億単位であるため、これらの方法ではいくつかの問題が発生する

• Scalability
  • 10億人のユーザーと20億のアイテムという世界は、数百万のユーザーとアイテムの世界でうまく行った手法がうまく機能し得ない
• Sparsity
  • ユーザーは少数のアイテムとしかインタラクションしないので、インタラクションが少ないユーザーやアイテムについて推薦を行うのは難しい
• Cold Start
  • 1時間に数百万個の新しい商品がアップロードされる世界で、これらのアイテムに関するインタラクション情報は得られない

目的

ユーザーがインタラクションした各アイテムに対して類似アイテムの候補セットを生成するマッチングステージについて、 巨大なECでも使用できるアルゴリズムの開発

アプローチ

• Graph Embedding with Side information (GES)
  • Graph Embeddingを用いた類似度計算によるitemの候補集合の生成
  • item graph上のランダムウォークによる候補集合の探索
  • 補足情報を加えることでcold start問題に対応

memo

https://github.com/nogawanogawa/paper_memo/issues/43

[zerebom]

Imagen

Google謹製、Text2Imageのモデル。TextEncoder → Text2Image → 超解像モデルを通じて高精度な画像を生成する。

テキストのみで学習した大規模言語モデルが画像合成のEncoderとして有用とのこと。

出力結果がバイアスや差別を含んでおり、モデルやデモの公開は後日になる。