[2023/07/19]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. #202

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！

[tmiya]

Countering Popularity Bias by Regularizing Score Differences, Recsys 2022 の話をしようと思います。

発表資料 -> https://github.com/tmiya/tmiya.github.io/blob/main/paper_reading/20230719.pdf

[nogawanogawa]

Diffusion Recommender Model

論文URL

https://arxiv.org/abs/2304.04971

著者

Wenjie Wang, Yiyan Xu, Fuli Feng, Xinyu Lin, Xiangnan He, Tat-Seng Chua

会議

SIGIR'23

背景

生成的推薦モデルは、未観測のインタラクションアイテムに関する確率を推論するための生成過程を学習している。 生成的推薦モデルはこれまでにも研究が進められてきた。

• GANベース
  • インタラクション確率を推定するためにGeneratorを使用
• VAEベース
  • 潜在因子の事後分布をEncoderを用いて近似、観測された相互作用の尤度を最大化する

VAEの方が優れた結果を示しているものの、

• 表現能力
• 扱いやすさ

の観点で問題が残っている。

一方、生成モデルとして、近年では拡散モデルが登場している。 順方向のプロセスで徐々にノイズを加えていき、逆方向プロセスで入力を再現するというプロセスで学習を行う。

推薦は、欠損した事前分布から事後分布を予測する逆方向プロセスに似ているため、ここに応用できる可能性がある。

目的

• 拡散モデルを生成的推薦モデルに適用することで、新しい生成的推薦モデルの方向を切り開く

アプローチ

• DiffRec
  • 拡散モデルを推薦に応用
  • L-DiffRec : アイテムをクラスタリングし、潜在空間において拡散処理を行う
  • T-DiffRec：インタラクションのタイムスタンプを使用してインタラクションに重み付け

memo

https://github.com/nogawanogawa/paper_memo/issues/92

[zerebom]

VizCommender: Computing Text-Based Similarity in Visualization Repositories for Content-Based Recommendations

• https://arxivxplorer.com/?query=Text+similarity+Recommendation&y=2023%2C2022%2C2021 で見つけた論文
• Tablauのデータ可視化レポートに置いて、類似のレポートを推薦するシステムを作った話
• 類似アイテムを推薦するためにはレポート内の単語を使って類似度を検索
• Transfer LearningしたGloveなどよりもLDAなど古典的な手法のほうが精度が高かった

[takashi-miyamoto-naviplus]

Countering Popularity Bias by Regularizing Score Differences, Recsys 2022 の話をしようと思います。

発表資料 -> https://github.com/tmiya/tmiya.github.io/blob/main/paper_reading/20230719.pdf

当日出た質問ですが、論文にちゃんと答えが書いてありました。評価値を +a, -a の2値化する働きがあると。