Hayashi-Yudai
commented
2 years ago Collaborative Metric Learningに基づく推薦リストの意外性向上手法に関する一考察
JSAI2022で発表された内容。推薦において人気アイテムばかりが推薦されることを防止するためにロス関数を改善したという話。https://confit.atlas.jp/guide/event-img/jsai2022/1A4-GS-2-03/public/pdf?type=in
Collaborative Metric Learning (CML) では、ユーザーに観測されたアイテムは観測されていないアイテムよりもユーザーの嗜好が強いはずだと考えてロス関数を設計している。
Sは観測アイテムで、S^-は未観測アイテム。この和では人気アイテムは何回もSの中に現れるのでロスの中でウェイトが大きくなる。したがってこのロスで学習すると人気アイテムに偏って学習されてしまう。
これを解決するためにアイテムの出現回数に応じてロスのウェイトを小さくすることを提案している。
ここでロスのウェイトの減少の強さを表すパラメータ(b)はハイパラになっている。
MovieLensを使って実験していて、マイナー映画の割合が大きくなっても性能が悪化しにくいことが確かめられている。
GraphRR: A multiplex Graph based Reciprocal friend Recommender system with applications on online gaming service
GNNを使った相互推薦システムのはなし。science directに課金していないので中身は見れていないがコードは公開されていた。 https://github.com/changym3/GraphRR
zerebom
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/146
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！