文献

J-GLOBAL ID：202002299973957828   整理番号：20A2031447

失われたNot-At-Random暗黙フィードバックからの不偏レコメンダー学習【JST・京大機械翻訳】

Unbiased Recommender Learning from Missing-Not-At-Random Implicit Feedback

著者 (5件)： Saito Yuta (Tokyo Institute of Technology, Tokyo, Japan) ,  Yaginuma Suguru (SMN Corporation, Tokyo, Japan) ,  Nishino Yuta (SMN Corporation, Tokyo, Japan) ,  Sakata Hayato (SMN Corporation, Tokyo, Japan) ,  Nakata Kazuhide (Tokyo Institute of Technology, Tokyo, Japan)
資料名： ACM Proceedings  (ACM Proceedings)
号： WSDM ’20  ページ： 501-509  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
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,その一般的アベイラビリティのためにクリックデータのような暗黙フィードバックを広く使用する。クリックの存在は,ユーザの好みをある程度のものにしているが,そのようなクリックの欠如は,ユーザがアイテムに曝露されないので,ユーザからの負の応答を示す必要はない(ポジティブ非ラベル化問題)。これは,暗黙フィードバックからユーザの選好を予測する困難さをもたらす。以前の研究は,ポジティブフィードバックデータに対する損失を均一にアップ重み付けし,EM-アルゴリズムを介して関連情報を持つ各データの信頼度を見積もることにより,ポジティブ非ラベル化問題に取り組んだ。しかし,これらの方法は,ユーザがそれらに相当な興味を持っていないとしても,一般的または頻繁に推薦されたアイテムが,他のアイテムよりもクリックされる可能性の高い非ランダム問題に対処することができなかった。これらの限界を克服するために,まず,理想的な損失関数を定義して,関連性を最大化し,理想的損失のための不偏推定量を提案するための推奨を実現する。続いて,提案した不偏推定量の分散を解析し,さらに特殊なケースとして不偏推定量を含むクリップ推定器を提案した。クリッピング推定器は,バイアス-分散トレードオフを考慮することにより,推薦システムの性能を改善することが期待される。半合成と実世界の実験を行い,提案した方法がベースラインよりも大幅に優れていることを示した。特に,提案手法は,訓練データで頻繁に観測されないより一般的なアイテムに対して,より良好に機能した。所見は,提案方法が最高の関連性でアイテムを推薦する目的をよりよく達成できることを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *学習 ,  信頼度 ,  損失関数 ,  アベイラビリティ ,  バイアス ,  不偏推定 ,  重みづけ ,  基準線
準シソーラス用語： クリッピング ,  訓練データ ,  正帰還 ,  推奨システム , 【Automatic Indexing@JST】

著者キーワード (5件)： 陰的フィードバック ,  逆傾向重みづけ ,  行列因数分解 ,  ミッシング・ノー・アト・ランダム ,  正-非ラベル学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： フィードバック ,  学習