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。
知識グラフ(KG)は,相互接続型エンティティとそれらの属性の集合から成る。最近,KGは,より正確で,説明可能で,多様なユーザ選好推薦を可能にするための補助情報として普及している。特に,既存のKGベースの推薦方法は,KGに隠された長い接続性ユーザ-アイテム相互作用から高次関係/依存性をモデリングする。しかし,それらの大部分は,推薦分析のコールドスタート問題(即ち,ユーザコールドスタートとアイテムコールドスタート)を無視し,新しいユーザまたは新しいアイテムを含む場合,シナリオでその性能を制限する。不十分な訓練サンプルにおけるメタ学習の成功に触発されて,著者らは,協調意識メタ学習者と知識意識メタ学習者を含むメタKGと呼ばれる新しいメタ学習ベースのフレームワークを提案し,コールドスタート推薦のためのメタユーザの好みとエンティティの知識を捉えた。協調意識メタ学習者は,各ユーザ選好学習タスクに対するユーザ選好を局所的に集約することを目的とする。対照的に,知識意識メタ学習者は,異なるユーザ選好学習タスクを通して知識表現を大域的に一般化することである。2つのメタ学習者によって誘導されて,MetaKGは高次協調関係と意味表現を効果的に捉えることができて,それはコールドスタートシナリオに容易に適応することができた。さらに,雑音の多いタスクによって崩壊するモデルからモデルを防ぐために,メタ学習のための有益なタスクを適応的に選択できる新しい適応タスクスケジューラを考案した。3つの実際のデータセットを用いた様々なコールドスタートシナリオに関する広範な実験は,ここで示したMetaKGが,有効性,効率,およびスケーラビリティに関して既存の最先端の競合者よりも性能が優れていることを示した。【JST・京大機械翻訳】