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。
推薦を正当化するためのユーザ理解可能な説明の提供は,利用者が推奨項目をよりよく理解し,システムの使いやすさを増加させ,ユーザの信用を獲得するのに役立つ。それを実現するための典型的なアプローチは自然言語生成である。しかしながら,以前の研究は,主に,末端を満たすための再帰ニューラルネットワークを採用し,潜在的により効果的な事前訓練変換機モデルを探索した。実際,推薦者システムにおける重要な識別子としてのユーザとアイテムIDは,事前訓練モデルが既に訓練された単語として,本質的に異なる意味空間にある。したがって,そのようなモデルにIDを効果的に融合する方法は重要な問題になる。迅速な学習における最近の進歩に触発されて,著者らは2つの解決策,すなわちIDs(離散的な迅速な学習と呼ばれる)を表現するための代替単語を見つけて,事前訓練モデル(連続高速学習)にIDベクトルを直接入力する。後者の場合,IDベクトルはランダムに初期化されるが,そのモデルは大きなコーパス上で前もって訓練され,実際に異なる学習段階にある。ギャップを埋めるために,著者らはさらに2つの訓練戦略を提案する:正則化として逐次調整と推薦。大規模な実験は,訓練戦略を備えた著者らの連続迅速学習手法が,説明可能な推薦の3つのデータセットに関して,強いベースラインを一貫して凌ぐことを示した。【JST・京大機械翻訳】