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。
逐次推薦の鍵は正確な項目相関モデリングにある。以前のモデルは,実際の因果関係を捉えることに失敗し,推薦性能と説明可能性に影響を与える可能性があるアイテム共起に基づくそのような情報を推論する。本論文では,ユーザ行動間の因果関係を捉えるために,新しい因果発見モジュールとの逐次推薦を行った。著者らの一般的アイデアは,最初に,アイテム相関の根底にある因果グラフを仮定し,次に,実際のユーザ行動データをフィッティングすることによって,逐次推薦者モデルと共同グラフを学習する。より具体的には,因果律要求を満足するために,因果グラフは微分可能有向非巡回制約によって正則化される。推薦者システムにおけるアイテムの数が非常に大きいことを考慮して,著者らは潜在的クラスタの統一集合によって異なるアイテムを表現して,この因果グラフをクラスタレベルで定義して,それはモデルスケーラビリティとロバスト性を強化した。さらに,学習因果グラフの識別可能性に関する理論解析を提供した。知る限りでは,本論文は,因果的発見と逐次推薦を組み合わせるための最初のステップを作った。推薦性能を評価するために,異なるニューラルシーケンシャルアーキテクチャを用いてフレームワークを実装し,それらを実世界データセットに基づく多くの最先端手法と比較した。経験的研究は,著者らのモデルが,f1とNDCGで,それぞれ,約7%と11%の性能を向上させることができることを明らかにした。モデル説明可能性を評価するために,定量的および定性的分析の両方に対して,ヒト標識説明による新しいデータセットを構築した。【JST・京大機械翻訳】