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。
深層学習技術が実世界推薦タスクに拡大したので,多くの深層ニューラルネットワークベースの協調フィルタリング(CF)モデルを,多層パーセプトロン,自動エンコーダおよびグラフニューラルネットワークのような様々なニューラルアーキテクチャに基づいて,ユーザ-アイテム相互作用を潜在特徴空間に投影するために開発した。しかしながら,既存の協調フィルタリングシステムの大多数は,欠測データを処理するために十分に設計されていない。特に,訓練フェーズにおける負の信号を注入するために,これらの解決策は,非観測ユーザ-項目相互作用からの負のサンプリングに大きく依存し,単にそれらを負のインスタンスとして扱い,推薦性能劣化をもたらす。問題に取り組むために,著者らは,観察および観察されないユーザ-項目相互作用から移転可能な知識を探査できる協調反射-Autoencoderネットワーク(CRANet)を開発した。CRANetのネットワークアーキテクチャは,反射型受容体ネットワークと情報融合オートエンコーダモジュールとの統合構造を形成し,それは,相互作用と非インタクトアイテムの両方に対する暗黙ユーザのペアワイズ選好を符号化する能力で推薦フレームワークを与える。さらに,2段階CRANetモデルのロバスト関節訓練を行うために,パラメトリック正則化ベースタイド重みスキームを設計した。最後に,2つの推薦タスクに対応する4つの多様なベンチマークデータセット上のCRANetを実験的に検証し,ユーザ-項目相互作用の負の信号をデバイアスすることは,様々な最先端の推薦技術と比較して性能を改善することを示した。このソースコードはhttps://github.com/akaxlh/CRANetで利用可能である。【JST・京大機械翻訳】