hakubishin3 commented 1 year ago

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. #158

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 commented 1 year ago

メモ: RecSys についての話し合いを行う。

hakubishin3 commented 1 year ago

Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning

Park, Minju and Lee, Kyogu

https://dl.acm.org/doi/10.1145/3523227.3546768

音楽の嗜好予測においてユーザの明示的な負の嗜好情報（negative preference) がどのような特性を持っていて、音楽推薦に活用することでどういう改善効果が期待できるかを明らかにした論文。

背景

先行研究では負の嗜好情報を活用することで音楽の嗜好精度が向上することが分かっているが、なぜそうなるかは明らかになっていない。”好きな音楽よりも嫌いな音楽のほうが説明しやすくない？”という仮説の元、音楽の嗜好のモデル化における負の嗜好の役割を明らかにすることを目的としている。

アプローチ

以下のパターンで CLEP で学習されたコンテンツベース推薦モデルを作成。各モデルの傾向を比較して、負の嗜好情報の特徴を理解する。

CLEP-P ... 正の嗜好だけ利用
CLEP-N ... 負の嗜好だけ利用
CLEP-PN ... 正と負の両方の嗜好を利用

結果

CLEP-N は accuracy が最も高い。これから negative preference は positive preference よりもユーザの音楽嗜好を明確に表す特徴と考えられる。また、負の嗜好だけを避けることが結果的にセレンディピティ的な体験を生み出していそう。

また、CLEP-N は誤検知率が低い。嫌いな曲が推薦されることはかなり悪い体験なので音楽サービスとして重要な指標、この観点は負の嗜好を活用することによる音楽推薦の伸びしろと言える。

Hayashi-Yudai commented 1 year ago

NAIS: Neural Attentive Item Similarity Model for Recommendation

ユーザーがインタラクションしたアイテムを元にして推薦するとき、同じインタラクションでもユーザーにとってどの程度の嗜好を持ってそのインタラクションをしたかは異なる。例えばクリックひとつとっても「購入を検討してクリックした」、「なんか目に入ったのでクリックしてみた」、「誤ってクリックした」というように嗜好度合いは様々である。

NAISではアテンションを用いることによって、ユーザーの各インタラクションに関する嗜好の強さを考慮した上でユーザーのembeddingを作成し、item-based CFの性能を向上させることに成功した

モデルの構造

attention weight (a_{ij})の計算

結果

nogawanogawa commented 1 year ago

Implicit Skills Extraction Using Document Embedding and Its Use in Job Recommendation

論文URL

https://ojs.aaai.org//index.php/AAAI/article/view/7038

著者

Akshay Gugnani, Hemant Misra

会議

IAAI '20

背景

汎用検索エンジンの進歩は目覚ましいが、求人検索エンジンの進歩はそれに比べてまだまだ進歩は緩やかである。その理由にはいくつか考えられる。

ユーザーのCV( curriculum vitae、英文履歴書のこと)と求人情報（JD、Job Description）は一般的に新聞のように整形された形式で書かれてはいない
CVは見栄えを良くするために表を始めとする様々な書式が使用され、そこから関連情報を抽出することが難しい
スキルキーワードマッチングはスキル間の関連性が複雑になりがち
JDは説明的すぎたり、単純すぎたりして、求めるポジションの役割や本質が把握しにくい

目的

求人検索エンジンの性能向上

アプローチ

CV、JDから明示的・暗黙的なスキルキーワードの抽出して、それらのマッチングによる関連度を使用

memo

https://github.com/nogawanogawa/paper_memo/issues/56

zerebom commented 1 year ago

Enhancing recommender systems under volatile userinterest drifts

CIKM09の論文。引用数59。ユーザの興味の遷移を推定してその興味に応じて推薦する。

コンテンツの関連度・興味グラフの構築

属性(キャスト・ジャンル)の情報から各コンテンツペアの類似度を計算
類似度がしきい値以上のペアを連結してグラフを構築

ユーザの興味遷移パターン推定

以下の4パターンに分ける

Single Interest Pattern (SIP): ずっと同じ興味
Multiple Interests Pattern (MIP): 複数の興味
Interests Drift Pattern (IDP): 興味が遷移した
Casual Noise Pattern (CNP): Noisyな挙動

主に以下の2つの指標を使ってパターンわけしている

近い興味を連続して選択してるか(Rating chain continuity)
同じ興味をたくさん選択しているか(Rating graph density)

感想

シンプルでわかりやすいロジックで興味推定・推薦への適応をしていて面白い
コンテンツを選ぶ軸が多次元な場合、ある軸では近いが、ある軸では遠いというケースもありそう

wantedly / machine-learning-round-table

[2022/09/15]Machine Learning 輪講 #161

Why

What

Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning

背景

アプローチ

結果

NAIS: Neural Attentive Item Similarity Model for Recommendation

モデルの構造

結果

Implicit Skills Extraction Using Document Embedding and Its Use in Job Recommendation

論文URL

著者

会議

背景

目的

アプローチ

memo

Enhancing recommender systems under volatile userinterest drifts

コンテンツの関連度・興味グラフの構築

ユーザの興味遷移パターン推定

推薦への適応

感想