Open hakubishin3 opened 1 year ago
メモ: RecSys についての話し合いを行う。
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。
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。
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-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。
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
attention weight (a_{ij})の計算
https://ojs.aaai.org//index.php/AAAI/article/view/7038
Akshay Gugnani, Hemant Misra
IAAI '20
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。
求人検索エンジンの性能向上
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。
以下の4パターンに分ける
主に以下の2つの指標を使ってパターンわけしている
興味パターンに応じて推薦を出し分ける
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!