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,進行中の匿名セッションのための次の項目を予測することを目的とする。SBRの主要な課題は,アイテム間のより豊富な関係をどのように捉えるか,そしてそのような関係を捉えるためにIDベースのアイテムを埋め込むことである。最近の研究では,まずセッションからアイテムグラフを構築し,グラフからのアイテム埋込みを符号化するためにグラフニューラルネットワーク(GNN)を採用した。このようなグラフベース手法は性能改善を達成したが,それらのGNNはSBRタスクのためのIDベース埋込み学習に適していない。本論文では,そのようなIDベース埋込み学習の目的が,ノードの埋込みが埋込み空間においてその近傍のそれと類似している一種の隣接親和性を捉えることであると主張する。埋込み空間における近傍親和性を最適化するために,アイテムグラフにIDベースアイテム埋込みを学習するためのグラフスプリングネットワーク(GSN)と呼ぶ新しいグラフニューラルネットワークを提案した。さらに,積層多重GNN層でさえ,グラフにおける2つのアイテムノードに対する潜在的関係を符号化するのに十分ではないと主張した。本論文では,まず,いくつかの有益なアイテムアンカーを選択し,次に,そのようなアンカーに対するアイテムのポテンシャル関係を符号化する戦略を提案した。要約すれば,SBRタスクのためのGSN-IASモデル(グラフ春ネットワークと情報的アンカー選択)を提案する。まず,アイテムグラフを構築し,すべてのセッションにおけるアイテムの共起性を記述した。IDベースアイテム埋込み学習のためのGSNを設計し,情報的アンカーを選択するためのアテームエントロピー測度を提案した。次に,アンカーに対するアイテム関係をコード化する教師なし学習機構を設計した。次に,2つのセッション表現を学習し,2つの次の項目予測を行うために,共有ゲート反復ユニット(GRU)ネットワークを採用した。最後に,最終推薦を行うために2つの予測を融合するための適応決定融合戦略を設計した。【JST・京大機械翻訳】