Open nogawanogawa opened 1 year ago
GNNに基づく知識グラフ型推薦システムのサーベイ。
知識グラフ型RSはユーザとアイテムの相互作用だけでなく、アイテム to アイテムやユーザ to ユーザといった関係性も捉えるこ とができるもの。このグラフを扱う上で近年有用なアプローチとしてGNNがあり、この論文ではGNNによる埋め込み生成に焦点を当てて構成要素の解説や実際の推薦における問題(コールドスタート、スケーラビリティなど)をどのように対処しているかを紹介している。
GNNベースの推薦のワークフロー
https://arxiv.org/abs/2112.02767
Wenjie Chu, Shen Li, Chao Chen, Longfei Xu, Hengbin Cui, Kaikui Liu
-(preprint)
CTR予測は推薦システム等でよく使用されるタスクである。 このタスクでは、アイテムが表示される位置に影響を受けるポジションバイアスが発生することが知られている。
ポジションバイアスに対する対処として一般的なのは、ポジションに関する特徴とそれ以外を分離し、それらの積で確率を算出する物となっている。 しかしこの仮定は単純化されすぎている。
既存のCTR予測に使用されている、観測確率 * 嗜好確率
の単純化されすぎた仮定を補正する
3つのモジュールに分けていて、
これらを組み合わせて使用する。 モデルの構成は基本的には全結合層とソフトマックスで構成され、Combinedでは行列-ベクトル積で結果を計算するようになっている。
また、Constraint Lossを
のように設定。
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/180
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!