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。
Bundle推薦は,全体としてアイテムの束を推薦することを目的とする。それにもかかわらず,それらは,通常,アイテムの採用に関するユーザの意図の多様性を無視し,表現におけるユーザの意図を解消するのに失敗する。束推薦の実際のシナリオにおいて,ユーザの意図は,ユーザの異なる束(Globalビュー)に自然に分布するかもしれないが,一方,束はユーザ(Localビュー)の複数の意図を含む可能性がある。それぞれの見解は,意図的 dis解のためにその利点を持った。1)グローバル見解から,より多くのアイテムが各意図に含まれており,各意図の下でユーザの好みをより明確に示すことができる。2)局所見解から,同じ束内のアイテムが互いに高度に相関するので,各意図の下でアイテム間の関係を明らかにすることができる。この目的のために,筆者らは,より細かい粒度でユーザの意図とアイテムの連想の多様性を精密かつ包括的に捉えることができる,マルチビューインテントもつれグラフネットワーク(MIDGN)と名付けた新しいモデルを提案した。特に,MIDGNは,それぞれ,2つの異なる視点からユーザの意図を混乱させる。1)グローバルレベルでは,MIDGNは,バンドル間アイテムと結合したユーザの意図を解消する。2)局所レベルでは,MIDGNは,各バンドル内のアイテムと結合したユーザの意図を混乱させる。一方,著者らは,学習意図を改善するために,コントラスト学習フレームワークの下で異なる視点から解かれたユーザの意図を比較した。2つのベンチマークデータセット上で行った広範な実験は,MIDGNが,それぞれ10.7%と26.8%以上の最先端技術より優れていることを実証した。【JST・京大機械翻訳】