抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
陰的フィードバックからの学習ユーザの好みは様々なオンラインアプリケーションにおける勧告を可能にするために重要である。一対選好学習を用いたBayesパーソナル化ランキング(BPR)はこの問題のための最も有望なアルゴリズムの一つとして報告されている。ユーザは,観察されない項目相互作用項目を好むことを,これはフィードバックが起こっていない基本的仮定に従った。項目対生成では観察されない項目から陰性試料をどちらか均一または観察された項目のためのいくつかの発見的方法を導入した。このパラダイムは,雑音項目対,偏った溶液と長期訓練期間をもたらすを得るであろう。本論文では,意味論によるB PRを増強することを試みた。最初に,意味論的に匹敵する項目対を紹介し,ペアワイズ学習にそれらを採用すべきである理由を詳しく述べた。は,そして,どのような意味論を利用できる,どのようにそれらをモデル化できる方法を提示する。さらに,意味論増強Bayes個人向けランク付け(SeBPR)はB PR学習フレームワークに意味的に匹敵する項目対を組み込むためにという新しい方法を提案した。最後に,実験結果は,提案方法が学習のための雑音のある関係を減少させ,このようにして推薦精度を改善できたことを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
