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。
セッションベースの推薦(SBR)は,現在のセッションにおける限られたユーザ行動履歴を利用するだけで,その大きな実用的価値のために,近年ますます研究注目を集めている。既存の方法は,アイテムレベルでセッション埋込みを典型的に学習し,すなわちアイテムに割り当てられた注意重みの有無でアイテムの埋込みを集約する。しかし,アイテムの採用に関するユーザの意図は,項目の特定の因子(例えば,映画の主導的アクター)によって駆動されるという事実を無視している。言い換えれば,それらは,セッション埋込みを生成する因子レベルでユーザのより細かい粒状性興味を探索せず,準最適性能をもたらす。この問題に取り組むために,著者らは,各アイテムに関する因子レベル注意を考慮してセッション目的を捕えるために,Disentangled Graph Network(Disen-GNN)と呼ばれる新しい方法を提案した。具体的には,まず,多重因子の埋込みにアイテム埋め込みを注ぐために,分割学習技法を採用し,次に,各因子に対して計算されたアイテム隣接類似性行列に基づいて,埋込み因子を学習するために,ゲートグラフニューラルネットワーク(GGNN)を使用した。さらに,距離相関を採用して,因子の各ペア間の独立性を強化した。各項目を独立因子で表現した後,セッションにおける各項目の異なる因子に対するユーザ意図を学習するための注意機構を設計した。次に,セッション埋込みを,各アイテム因子の注意重みでアイテム埋込みを集約することによって生成した。この目的のために,著者らのモデルは,セッションにおけるユーザ目的を推論するために,因子レベルでユーザ意図を取り入れた。3つのベンチマークデータセットに関する大規模な実験は,既存の方法に関する著者らの方法の優位性を実証した。【JST・京大機械翻訳】
