文献

J-GLOBAL ID：201902267494162737   整理番号：19A0987960

文脈意識推薦のためのパラグラフ埋め込みの教師なし学習【JST・京大機械翻訳】

Unsupervised Learning of Paragraph Embeddings for Context-Aware Recommendation

著者 (6件)： Xie Jin (School of Computer Science, Wuhan University, Wuhan, China) ,  Zhu Fuxi (School of Computer Science, Wuhan University, Wuhan, China) ,  Huang Minxue (Department of Marketing and Tourism Management, Economics and Management School, Wuhan University, Wuhan, China) ,  Xiong Naixue (College of Intelligence and Computing, Tianjin University, Tianjin, China) ,  Huang Sheng (School of Computer Science, Wuhan University, Wuhan, China) ,  Xiong Wei (School of Computer Science, Wuhan University, Wuhan, China)
資料名： IEEE Access  (IEEE Access)
巻： 7  ページ： 43100-43109  発行年： 2019年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： データのスパース性は推薦システムの性能を制限する主な理由の一つである。スパース性問題を解決するために,いくつかの推薦システムは補助情報,特にテキスト情報を使用して,評価の予測精度を増加させる補完として使用される。しかしながら,テキスト分析に基づく2つの主流アプローチは,いくつかの限界を持っている。バッグベースのモデルはそれらの一つであり,パラグラフの文脈情報を効果的に用いることは困難であり,パラグラフの浅い理解のみを解析することができる。深い学習に基づくもう一つのモデルは,パラグラフの文脈情報を抽出することができるが,モデルの複雑さも増加させる。本論文では,パラグラフ埋め込みの教師なし学習を確率行列因数分解(PMF)に統合する,パラグラフベクトル行列因数分解(P2VMF)と名付けた新しい文脈認識推薦モデルを提案した。したがって,P2VMFは,パラグラフの意味情報を捕えることができて,評価の予測精度を改善することができた。実世界データセットに関する広範な実験により,P2VMFモデルの性能は,評価が非常にスパースである状況において,それらの多重推薦モデルと比較して望ましいことを示した。また,モデルのp2V部分がベクトルの形で意味論を良く表現できることを検証した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ベクトル ,  意味論 ,  *教師なし学習 ,  多重化
準シソーラス用語： スパース ,  意味情報 ,  行列因数分解 ,  文脈情報 ,  予測精度 ,  推奨システム ,  スパース性 , 【Automatic Indexing@JST】

分類 (2件)： 信号理論  (ND02020G) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 文脈 ,  意識 ,  推薦 ,  埋め込み ,  教師なし学習