Siamese neural networks in recommendation

Siamese neural networks in recommendation Newbees論⽂読み会⾶⽥祥弥

⽬次 • 概要 • Siamese Neural Networks（SNN） • 適⽤分野 •
適⽤タスク • 順伝播構造のアルゴリズム • 評価指標 • 今後の課題

概要 Siamese neural network（SNN）のRecommender Systems（RS）への適⽤⽂献がこれまでになく、そのため、本論⽂はそれらをサーベイし、以下に沿って⼿法や課題について詳説している。 • SNNをRSに適⽤する最新の⼿法（~2023）について • 対象となるRSのタスク、SNNの適⽤⽅法、評価⽅法について
• ⽂献や実験的観点から考えられるSNNxRSにおけるギャップや課題について

Siamese Neural Networks (SNN) 1993年より2つの署名の類似度を測定するタスクで使われるようになり、代表的なアーキテクチャとして、Pairs(1993)とTriplets(2015)形式のものがある。

Siamese Neural Networks (SNN): Pair形式 • ⼊⼒には類似度を測りたい2画像を⽤いる。順伝播の際に2つのnetwork間で重みを共有する形で学習が進む。 • 各networkから抽出した特徴ベクトルから
損失関数により類似度（距離）を推定する。 • 損失関数にはBinary Cross Entropyや Contrastive lossが⽤いられる。

Siamese Neural Networks (SNN): Triplets形式 • ⼊⼒は3つあり、anchorには何かしらの画像、positiveにはanchorと類似した画像、negative にはanchorと類似していない画像を⼊⼒する。 • 順伝播構造はPairs形式と同じ
であるが損失関数が異なる。 • 損失関数にはTriplet Lossが⽤いられる。 A, P, Nはanchor, positive, negative αはpositiveとnegativeのマージン（=1） e()は各⼊⼒パラメータの埋め込み

適⽤分野 SNNによるRSは2018年まで⽂献がなく、ここ数年で発展してきている。主にEC、ファッション、映画、動画などで適⽤されており、⼊⼒データには画像だけでなく、テキストや⾳が利⽤されることもある。

適⽤タスク RSにおけるSNNの利⽤⽬的として、純粋な予測のために使⽤する場合と、特徴量抽出を⾏う場合がある。順伝播構造は両⽅に⽤いられ、クラスタリングやLTRは後者として中間データで利⽤することを⽬的としている。

順伝播構造のアルゴリズム順伝播構造を利⽤する場合には、主に5つのアーキテクチャが利⽤されており、 2023年の時点では最もCNNが利⽤されている。 TransformerやGCN（Graph Conv Network）などは発表から数年ほどの論⽂であるため、適⽤例が少ないものと思われる。

評価指標 RSの領域がエラーメトリクスよりもランキングメトリクスを考慮する傾向がある。また、そのことから⼀般的な評価指標とされる、 Recall@K, Presicion@K, Accuracy, AUC, F1, NDCG,
MRR, HR などが利⽤されている。

今後の課題 • 未だ発展途上の領域であるため、アルゴリズムや損失関数などの提案により、改善する余地がある。 • どの研究も精度以外の評価指標（多様性やカバレッジなど）を考慮できていないため、バイアス（⼈気度合いによる偏り）が起こる可能性がある。 • SNNのRS適⽤領域が乏しく且つ、シンプルなアルゴリズムであるため、未適⽤の主な領域（Web、SNS等）へ適⽤することで、新たなプラスな⾯での寄与を促すことが必要である。

Siamese neural networks in recommendation

Siamese neural networks in recommendation

Newbees Inc

More Decks by Newbees Inc

Other Decks in Research

Featured

Transcript