Siamese neural networks in recommendation

論文読み会@Newbees

Transcript

1. Siamese neural networks in recommendation Newbees論文読み会 飛田 祥弥
2. 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
3. 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
4. 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。
5. 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。
6. 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
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. End of file