文献

J-GLOBAL ID：202002261064061788   整理番号：20A0059113

モノのインターネットにおける推薦のためのマルチモーダル表現学習【JST・京大機械翻訳】

Multimodal Representation Learning for Recommendation in Internet of Things

著者 (5件)： Huang Zhenhua (School of Computer Science, South China Normal University, Guangzhou, China) ,  Xu Xin (School of Computer Science, South China Normal University, Guangzhou, China) ,  Ni Juan (School of Politics and Administration, South China Normal University, Guangzhou, China) ,  Zhu Honghao (Department of Computer Science and Engineering, Bengbu University, Bengbu, China) ,  Wang Cheng (Department of Computer Science and Engineering, Tongji University, Shanghai, China)
資料名： IEEE Internet of Things Journal  (IEEE Internet of Things Journal)
巻： 6  号： 6  ページ： 10675-10685  発行年： 2019年 
JST資料番号： W2432A  ISSN： 2327-4662  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： 推薦システムは,最近,情報サービスとモバイルアプリケーションのコミュニティに多くの注目を集めている。多くの深い学習ベースの推薦モデルが,アイテムから特徴表現を学習するために提案されている。しかしながら,モノのインターネット(IoT)において,アイテムの記述情報は,典型的に不均一で多モードであり,推薦モデルのアイテムの表現学習への挑戦を引き起こしている。この挑戦に取り組み,IoTにおける推薦有効性を改善するために,新しい多モード表現学習ベースモデル(MRLM)を提案した。MRLMにおいて,2つの密接に関連したモジュールを同時に訓練した。それらはグローバル特徴表現学習と多モード特徴表現学習である。前者は,3つのタスクに関する同時訓練を通して,アイテムとユーザのグローバルな特徴を正確に表現するために設計された。1)三重項計量学習;2)ソフトマックス分類;3)微視的検証。後者は,アイテムのグローバルな特徴を洗練し,アイテムの多モード記述情報を用いて最終的な多モード特徴を生成するために提案された。MRLM収束後,アイテムの多モード特徴とユーザのグローバル特徴を用いて,コサイン類似性を通してアイテムに関するユーザの好みを計算することができた。2つの実世界データセットに関する広範な実験を通して,MRLMはIoTにおける推薦有効性を著しく改善した。Copyright 2020 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： 類似性 ,  有効性 ,  コミュニティ ,  情報サービス ,  *多モード ,  *学習
準シソーラス用語： 特徴表現 ,  モバイルアプリケーション ,  推奨システム ,  *モノのインターネット , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： インターネット ,  推薦 ,  マルチモーダル ,  表現学習