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。
ほとんどの現代の推薦システムは,ユーザとアイテムの埋込み学習,続くユーザ-項目インタラクションモデリングの2つのコンポーネントでユーザの選好を予測する。ユーザ評価に伴う補助レビュー情報を利用することにより,既存のレビューベースの推薦モデルの多くは,利用可能なユーザ-項目目標レビューの助けを借りて,歴史的レビューまたはより良いモデル化ユーザ-項目相互作用を有するユーザ/アイテム埋込み学習能力を強化した。著しい進歩がなされてきたが,レビューベースの推薦のための現在の解決策は2つの欠点に悩まされている。第1に,レビューベースの推薦は,対応するユーザ項目レビューからエッジ特徴を有するユーザ-アイテム二分グラフとして自然に形成でき,推薦のためにこのユニークなグラフ構造をより良く活用する方法であった。第2に,ほとんどの現在のモデルは限られたユーザ行動に悩まされるが,2つの推薦コンポーネントをよりよく誘導するために,レビュー意識グラフにおけるユニークな自己監督信号を利用することができる。この目的のために,本論文では,レビューベースの推薦のための,新しいレビュー意識グラフコントラスト学習(RGCL)フレームワークを提案した。具体的には,まず,各エッジ特徴がユーザ-項目評価と対応するレビュー意味論の両方から成る,レビューから特徴強化エッジを有するレビュー意識ユーザ-アイテムグラフを構築した。特徴強化エッジを有するこのグラフは,ユーザとアイテム表現学習のために各隣接ノード重みを,しばしば学習するのを助けることができる。その後,推薦プロセスにおける2つのコンポーネントのための自己監督信号を提供するために,2つの付加的対照学習タスク(すなわち,ノード識別とEdge識別)を設計した。最後に,5つのベンチマークデータセットに関する広範な実験は,最先端のベースラインと比較して,提案したRGCLの優位性を実証した。【JST・京大機械翻訳】