hakubishin3 commented 4 months 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. #248

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！

KKaichi commented 3 months ago

[読みたい] A Survey of Generative Search and Recommendation in the Era of Large Language Models

色々な学会でチュートリアルを開催している人らのサイトの"survey"にあった論文 (https://generative-rec.github.io/tutorial/ )
- 参加メンバーの紹介はコチラ
- November 26, 2023: 1st Tutorial at SIGIR-AP'23. [PDF] [Slides]
- May 14, 2024, 9:00 AM-12:30 PM: Tutorial at WWW'24. [PDF] Venue: Virgo 4 @ Resorts World Sentosa Convention Centre, Singapore [Layout].
- July 18, 2024: Tutorial at SIGIR'24. [PDF]

nihira_memo

Hayashi-Yudai commented 3 months ago

Continual Collaborative Distillation for Recommender System

課題感

推薦システムでオンライン推論などをする際にはモデルが小さいことが重要→知識蒸留
最新の知識を効率的にモデルに反映させるための学習テクニックとして継続学習も研究されている
しかし知識蒸留と継続学習をどう組み合わせて使えばいいかについてはあまり研究されてこなかった

提案手法

Continual Collaborative Distillation (CCD)

Student modelを頻繁に継続学習でアップデート
定期的にstudent modelの知識をteacher modelに取り込む形でteacher modelのアップデート

nogawanogawa commented 3 months ago

Professional Network Matters: Connections Empower Person-Job Fit

論文URL

https://arxiv.org/pdf/2401.00010

著者

Hao Chen, Lun Du, Yuxuan Lu, Qiang Fu, Xu Chen, Shi Han, Yanbin Kang, Guangming Lu, Zi Li

会議

WSDM 2024

背景

LinkedInでは、9億人以上の会員が登録し、2023年の第1四半期までに毎秒90件の求人が掲載されている。これらに対して、Person Job Fit（ユーザーと求人を紐づけ）は採用・求職における重要なテーマになる。

これまで、過去の応募状況やコンテンツ情報を基にPerson Job Fitを推定することは行われていたが、プロフェッショナル・ネットワークと呼ばれるソーシャルなつながりは利用されてこなかった

（とある調査によれば80％のユーザーがプロフェッショナル・ネットワークを用いて仕事をみつけ、70％がコネクションを通じて直接仕事の機会を得ているらしい）

目的

プロフェッショナル・ネットワークを活用したPerson Job Fitの予測

アプローチ

CSAGNN
- ユーザーの欠落情報をプロフェッショナル・ネットワークで補完
- ノイズに対応するため事前に学習されたエンティティ表現を利用したアテンションメカニズムを利用

memo

https://github.com/nogawanogawa/paper_memo/issues/112

chimuichimu commented 3 months ago

Providing explanations for recommendations in reciprocal environments

Journal

RecSys 2018

Background

相互推薦システム：推薦される側・受け取る側の両方の嗜好の考慮が求められる推薦システム
説明可能な AI (XAI)：機械学習モデルの予測根拠を人間が理解できる情報として提示する
相互推薦システムにおける説明可能性の効果は研究されていない
- 特に相互推薦においては「あなたがそのユーザーをなぜ気にいるか？」という説明だけでなく、「あなたがそのユーザーになぜ気に入られるか？」という逆方向の嗜好に基づく説明も考えられる。これの効果を調べたい

Method

説明の作り方
- 過去のユーザーの嗜好行動と最も相関する属性を説明として出す
  - 例：Bob は過去、痩せてる女性すべてにメッセージを送っている -> 推薦対象の女性がスリムであればその属性を推薦の説明として提示
以下の実験対象で、Reciprocal な説明 vs 単方向の説明の比較
- 実際のオンラインデーティングサービス
- 擬似的なシミュレーション環境
  - 受け入れコストの有無を設定した2環境を準備

Result

実サービスにおいて、Acceptance が Reciprocal な説明 > 単方向の説明
シミュレーション環境において
- 受け入れコストが高い場合、Reciprocal な説明が高評価（※）
- 逆に受け入れコストがない場合は、単方向の説明が高評価

※ 論文中の図（Fig.3）間違ってる気がする。Reciprocal と One-sided が逆？

wantedly / machine-learning-round-table

[2024/06/05] Machine Learning 輪講 #250

Why