Blurring-Sharpening Process Models for Collaborative Filtering

要約

タイトル：コラボレーティブフィルタリングのためのぼかし・シャープネスプロセスモデル
要約：
– コラボレーティブフィルタリングは、推薦システムにとって最も基本的なトピックの1つである。
– グラフフィルタリングベースの手法やスコアベースの生成モデル（SGM）が成功したことに触発されて、ぼかし・シャープネスプロセスモデル（BSPM）の新しい概念を提案する。
– SGMとBSPMは、新しい情報を発見できるという処理哲学を共有しているが、それぞれが異なる種類の情報を扱い、その最適な摂動と回復プロセスには根本的な違いがあるため、異なる形式を持つ。
– また、BSPMは既存の多くのコラボレーティブフィルタリングモデルを理論的に包含し、Gowalla、Yelp2018、Amazon-bookの3つのベンチマークデータセットでは、RecallとNDCGの点でそれらを上回っている。
– さらに、同じ高速ベースラインと比較して、処理時間がほぼ同じである。
– 今後、より良いぼかし（すなわち摂動）とシャープネス（回復）プロセスを設計することによって、提案された概念はより高度に向上する可能性がある。

要約(オリジナル)

Collaborative filtering is one of the most fundamental topics for recommender systems. Various methods have been proposed for collaborative filtering, ranging from matrix factorization to graph convolutional methods. Being inspired by recent successes of graph filtering-based methods and score-based generative models (SGMs), we present a novel concept of blurring-sharpening process model (BSPM). SGMs and BSPMs share the same processing philosophy that new information can be discovered (e.g., new images are generated in the case of SGMs) while original information is first perturbed and then recovered to its original form. However, SGMs and our BSPMs deal with different types of information, and their optimal perturbation and recovery processes have fundamental discrepancies. Therefore, our BSPMs have different forms from SGMs. In addition, our concept not only theoretically subsumes many existing collaborative filtering models but also outperforms them in terms of Recall and NDCG in the three benchmark datasets, Gowalla, Yelp2018, and Amazon-book. In addition, the processing time of our method is comparable to other fast baselines. Our proposed concept has much potential in the future to be enhanced by designing better blurring (i.e., perturbation) and sharpening (i.e., recovery) processes than what we use in this paper.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI