Upgrade to Pro — share decks privately, control downloads, hide ads and more …

【論文ゼミ】Personalized Transfer of User Preferences for Cross-domain Recommendation

【論文ゼミ】Personalized Transfer of User Preferences for Cross-domain Recommendation

計算知能・マルチメディア研究室 論文ゼミ
紹介論文: https://arxiv.org/abs/2110.11154

Yamato Hara

June 16, 2022
Tweet

More Decks by Yamato Hara

Other Decks in Research

Transcript

  1. 論⽂の概要 2 論⽂情報 タイトル : Personalized Transfer of User Preferences

    for Cross-domain Recommendation 学会 : WSDM February 21–25, 2022, Tempe, AZ, USA ( 採択率20% ) Web・データマイニング分野のトップカンファレンス 著者情報 著者 : Yongchun Zhu, Zhenwei Tang, Yudan Liu, Fuzhen Zhuang, Ruobing Xie, Xu Zhang, Leyu Lin, Qing He 所属 : Institute of Computing Technology, Institute of Artificial Intelligence, University of Chinese Academy of Sciences, WeChat, Beihang University
  2. どんな分野か 5 Cold-start問題 : : New User : No History

    Data Recommender System ? 新しいユーザーには推薦がうまくできない
  3. どんな分野か 6 Cross-domain Recommendation(CDR) New User Cross-domain Recommendation 使っていた 使いはじめた

    履歴データ 履歴データなし ソースドメイン ターゲット ドメイン
  4. この論⽂がやりたいこと 7 従来⼿法 提案⼿法の概要 • ユーザーの興味を移⾏するのに共通の Bridgeを使⽤ • インタラクション履歴を使⽤ •

    ユーザーごとに異なるBrigeを作成 異なるドメインの複雑な関係を捉えられない パーソナライズによって表現を多様化
  5. 事前知識 8 レコメンデーションの種類 • General Recommendation • Graph Recommendation •

    Knowledge Aware Recommendation • Sequential Recommendation 協調フィルタリング Matrix Factorization ・・・
  6. 事前知識 10 Matrix Factorization(MF) R u : 元気度 ⼤⼈度 過激度

    1.2 0.6 0.3 ユーザーベクトル アイテムベクトル v : アクション ロマンス コメディ 1.8 1.2 1.1 イメージ ̂ 𝑟!" = 𝒖! 𝒗" 予測値 :
  7. 提案⼿法 11 PTUPCDR = ! 𝒖! s : t :

    このフレームワークがやっていることを⼀⾔でいうと ソースドメイン(NETFLIX)のユーザーベクトルを ターゲットドメイン(amazon)のベクトルへと変換する # 𝒓!
  8. 提案⼿法 12 Characteristic Encoder アクション ロマンス コメディ 1.8 1.2 1.1

    0.9 0.3 1.8 1.2 0.4 1.2 1.6 0.8 0.8 attention 0.2 0.05 0.3 0.4 1.4 0.7 1.0 ユーザーの特徴ベクトル attention ⼆層のネットワーク (θがパラメータ) softmax (合計が1) : 注意機構 characteristic embedding : ユーザーの伝達特徴ベクトル × × × × k次元
  9. 提案⼿法 13 Meta Network Meta network Bridge function 1.4 0.7

    1.0 ユーザーの特徴ベクトル ⼆層のネットワーク (Φがパラメータ) Bridge functionのパラメータ 変換したユーザーベクトル どんな形でも定義できる (この論⽂ではlinear layer) バラメータ(重み) 変換
  10. 提案⼿法 14 Task-oriented Optimization = ! 𝒖! # 𝒓! 従来のLOSS

    提案のLOSS 予測したユーザー 正解(ground-truth) ! 𝒖! : 予測したユーザー # 𝒓! : 予測したレイティング インタラクションが少ないユーザーではユーザーベクトルが不⼗分な可能性 • 不⼗分なベクトルの影響を軽減 • レイティングの数だけ学習サンプルが確保できる レイティングの数は(ユーザー数)×(アイテム数)
  11. 提案⼿法 15 Algorithm 1. 事前学習ステージ MFによってソースドメイン、ターゲットドメイン両⽅の ユーザーベクトルとアイテムベクトルを得る 2. メタステージ 両⽅のドメインに履歴があるユーザーを⽤いて、

    モデル(characteristic encoder, meta network)を学習する 3. 推論ステージ 予測したユーザーベクトルとターゲットドメインの アイテムベクトルを⽤いてレイティングを予測する
  12. 実験 16 データセット • Amazon 5段階評価データセット • Movie, Music, Book

    評価指標 • MAE ・・・ 予測値と実測値の差の平均 • RMSE ・・・ 予測値と実測値の⼆乗平均の平⽅根 ⼩さいほどよい
  13. Case Study 22 CDを買ったことがないユーザーに 映画の履歴を使ってCDを推薦する ⽬標 attention 視聴履歴 推薦に成功したCD •

    重要度を考慮し推薦ができている (ハードロックとSFはと関係性が⾼く刺激的) • ドラマ、コメディのノイズの影響を受けていない Attentionが有効に働いている