[2024/06/19] 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. #250

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]

User recommendation in reciprocal and bipartite social networks

オンラインデーティングサービスを題材に、2部グラフのネットワークにおけるユーザー推薦について取り組んでいる。ユーザーの好み（誰を好きになるか）と魅力（誰に好かれるか）の両方を考慮した推薦モデルを提案している。

本論文ではベースラインの1つにマッチ行列を扱ったモデルを採用しており、なんでマッチを直接予測しないの？という疑問に対する解釈が載っている（ので読んでみた）。

マッチング推薦においてマッチは目的変数としてはノイズが少なくて優れている一方、スパースであり情報量が少ない。例えばマッチ行列では「A→B：Aの応募に対するBの返信なし」と「A→B：AのBに対する興味なし」を区別することができず、嗜好の推定に必要な情報を大きく欠落させてしまっているのが問題となる。そのため、一見非効率だが直接マッチを予測するよりも「A→B」と「B→A」を推定して集約する形（今の相互推薦システムの主な方向性）のほうが筋が良い。

[Hayashi-Yudai]

CAPRI-FAIR: Integration of Multi-sided Fairness in Contextual POI Recommendation Framework

• 概要：POI recommendation (場所についての推薦モデル?)でユーザーとプロバイダー両方の公平性が実現するような方法を提案
• 論文で問題にしている不公平性：
  • Customer：アクティブ・非アクティブユーザーの推薦品質の格差
  • Provider：人気でない場所はどのユーザーに対しても推薦されにくい
• どうやって解決した？
  • 後処理でランキングのスコアをいじった
    • Customer Fairness：非アクティブユーザーに対して、よく行く場所近辺の人気な場所のスコアを上げる
    • Provider Fairness：check-in (=ユーザーがその場所を訪問すること?)回数が多いほどスコアが低くなるような値を設定

↓スコアに対する後処理

• 結果：
  • Precisionをあまり損なうことなくlong-tailな場所を多く推薦できるようになった
  • 非アクティブユーザーに人気な場所を推薦するようにしたことでPrecisionが上昇
  • Customer Fairness と Provider Fairnessには互いにトレードオフの関係がある

[nogawanogawa]

Generative Retrieval via Term Set Generation

論文URL

https://arxiv.org/abs/2305.13859

著者

Peitian Zhang, Zheng Liu, Yujia Zhou, Zhicheng Dou, Fangchao Liu, Zhao Cao

会議

SIGIR ’24

背景

これまで文書検索はweb検索を始め様々な箇所で使用されてきた。 最近従来の疎・密な検索に変わるものとして、generative retrievalが有望視されている。 具体的には、各文書にDタイトルやngram, 合成クエリなど様々ではあるがdocidの識別子を割り当て、LLMによってdocid自体を生成する。

生成的検索では関連するdocidを正確に生成する必要がある。 ただし、生成中に関連するトークンが誤って刈り込まれ（生成されず）、docidを正しく生成できないことがある。

生成的検索時のデコードではこのように誤ったDocIDを生成してしまう問題がある。

目的

• 生成的検索におけるハルシネーションによる検索の失敗の改善

アプローチ

• TSGen
  • DocIDのシーケンスではなく用語のsetをIDとして用い、順番を無視する

memo

https://github.com/nogawanogawa/paper_memo/issues/113

[th3888]

Learning Dynamic Graphs from All Contextual Information for Accurate Point-of-Interest Visit Forecasting (SIGSPATIAL2023)

概要

Point of Interests(POI)訪問予測タスクで空間相関や時系列相関、POIの属性などのMulti-context correlationsを学習するBusyness Graph Neural Network (BysGNN)を提案

アーキテクチャ

[chimuichimu]

The Dark Matter of Serendipity in Recommender Systems

Journal / Conference

CHIIR '2024

Background

• 推薦システムにおいてユーザーに意外性、新規性を提供する「セレンディピティ」は価値のある特性として認識されている
• セレンディピティの統一的な定義については合意がないのが現状である

Motivation

• 推薦システムの評価でよく使われるセレンディピティの定義が、ユーザーにとっての "serendipitous" が一致するか？を調べる
• これを調べることで、「推薦システムで使われているセレンディピティによる評価」＝「意図したユーザー体験を起こす推薦が作れているかの評価」になっているのか、を明らかにしたい

Method

• オンライン記事サービスのユーザーに、アプリ上でアンケートを実施
  • その日のアプリの利用目的
  • 読んだ記事に対する評価（気に入った、新規性があった、これは自分じゃ見つけられなかった、、、など）
• セレンディピティの定義
  • Generalized Serendipity
    • 元々の使用目的と、記事を読んだ後に達成できたことが違う場合、serendipitous と評価
  • RecSys Serendipity
    • relevance, novelty, unexpectedness の3軸から評価されるセレンディピティ
    • 推薦システムの評価でよく使われる定義
  • User Serendipity
    • この記事は serendipious でしたか？という質問に対するユーザーの直接的評価
• 評価方法
  • User-Serendipious / Generalized-Serendipitious に対して、RecSys-Serendipitious （+ others）な記事の Precision / Recall / Accuracy を評価

Result

• RecSys Serendipity による User Serendipity な記事の Recall は最も低い結果（ただし Precision は高い？）
• この結果は、推薦システムの設計においてセレンディピティの評価を見直す必要があることを示唆する