文献

J-GLOBAL ID：201702260646652670   整理番号：17A0740406

推薦用のデュアルオートエンコーダによる表現学習

Representation learning via Dual-Autoencoder for recommendation

著者 (6件)： Zhuang Fuzhen (Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China) ,  Zhang Zhiqiang (Beijing University of Posts and Telecommunications, Beijing, China) ,  Qian Mingda (Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China) ,  Shi Chuan (Beijing University of Posts and Telecommunications, Beijing, China) ,  Xie Xing (Microsoft Research, China) ,  He Qing (Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China)
資料名： Neural Networks  (Neural Networks)
巻： 90  ページ： 83-89  発行年： 2017年06月 
JST資料番号： T0698A  ISSN： 0893-6080  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 推薦は最近十数年,膨大な興味と研究を引き起こしてきた。大半の先行研究はユーザやアイテムの潜在因子を学習するために,行列因数分解手法を用いる。そして,多くのそれに続く研究は行列因数分解フレームワークの下で推薦性能を向上させるために外部情報,例えばユーザやアイテムの属性の社会的関係を考慮する。しかしながら,行列因数分解法はレーティング,あるいはチェックイン行列からの限られた情報を十分に使いこなしていないかもしれず,満足のいかない結果を得ている可能性がある。近年,ディープラーニングは自然言語処理,画像分類などにおいてよい表現を学習できることが証明されている。この線に沿って,デュアルオートエンコーダを用いた推薦(ReDa)と呼ばれる新しい表現学習フレームワークを提案した。本フレームワークでは,オートエンコーダを用いてユーザとアイテムの新しい隠れた表現を同時に学習し,ユーザとアイテムの学習された表現によって訓練データの偏差を最小化する。本フレームワークに基づき,隠れた表現を学習する勾配降下法を開発した。いくつかの実世界データセットで実施した大規模な実験では,最先端の行列因数分解に基づく方法と比べて提案した方法の有効性を示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.

シソーラス用語： *ニューラルネットワーク ,  *最急降下法 ,  *符号器 ,  自動化 ,  *機械学習 ,  因数分解 ,  自然言語処理 ,  パターン分類 ,  評価試験 ,  大規模系
準シソーラス用語： オートエンコーダ ,  ディープラーニング ,  画像分類 ,  *勾配降下法 ,  *表現学習

著者キーワード (4件)： Matrix factorization ,  Dual-Autoencoder ,  Recommendation ,  Representation learning

分類 (4件)： ニューロコンピュータ  (JC06010Q) ,  符号理論  (ND02030R) ,  人工知能  (JE08000Z) ,  その他のオペレーションズリサーチの手法  (KA03070E)

引用文献 (24件)：

• Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering, 177, 734-749.
• Alex, Graves, Marcus, Liwicki, Santiago, Fernández, Roman, Bertolami, Horst, Bunke, & J'urgen, Schmidhuber (2009). A novel connectionist system for unconstrained handwriting recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(5), 855-868.
• Bengio, Yoshua (2009). Learning deep architectures for ai. Foundations and Trends in Machine Learning, 2(1), 1-127.
• Koren, Yehuda (2008). Factorization meets the neighborhood: A multifaceted collaborative filtering model. In Proceedings of the 14th ACM SIGKDD international conference on knowledge discovery and data mining (pp. 426-434). ACM.
• Koren, Y., & Bell, R. (2011). Advances in collaborative filtering, Recommender systems handbook (pp. 145-186). Springer, (Chapter) Number.

タイトルに関連する用語 (4件)： 推薦 ,  デュアル ,  オートエンコーダ ,  表現学習