LogicRec: Recommendation with Users’ Logical Requirements

要約

タイトル：LogicRec：ユーザーの論理的要件を考慮した推薦

要約：

– ユーザーは、2つの要件の論理積など、論理演算を含む高度に個人化された要件を持つ推薦を求める場合がある。
– しかし、既存の推薦システムは、ユーザーの複雑な論理的要件に対処する能力に欠けている。
– 本研究では、ユーザーの論理的要件を考慮した推薦（LogicRec）の問題を定式化し、LogicRec向けのベンチマークデータセットを構築する。
– さらに、論理的要件の検索とユーザーの好みの検索に基づく初期解決策を提案するが、課題が2つある。
– まず、KGには不完全な情報が含まれているため、回答がKGに完全に存在しない。そのため、回答に基づくアイテムの選択は適用できない。その代わりに、論理クエリの埋め込み（LQE）を利用して、欠落している事実を共同推論し、論理的要件に基づいてアイテムを取得する。
– 二つ目の課題として、回答セットが十分に活用されないという点がある。既存のLQE方法は、クエリと回答のペアにしか対応できず、ユーザーの論理的要件と好みの回答セットが異なるため、それらを高度に活用するためのマルチタスクナレッジシェアリングメカニズムを設計する。
– 広範囲な実験結果が、LogicRecタスクの重要性と提案された手法の有効性を示している。

要約(オリジナル)

Users may demand recommendations with highly personalized requirements involving logical operations, e.g., the intersection of two requirements, where such requirements naturally form structured logical queries on knowledge graphs (KGs). To date, existing recommender systems lack the capability to tackle users’ complex logical requirements. In this work, we formulate the problem of recommendation with users’ logical requirements (LogicRec) and construct benchmark datasets for LogicRec. Furthermore, we propose an initial solution for LogicRec based on logical requirement retrieval and user preference retrieval, where we face two challenges. First, KGs are incomplete in nature. Therefore, there are always missing true facts, which entails that the answers to logical requirements can not be completely found in KGs. In this case, item selection based on the answers to logical queries is not applicable. We thus resort to logical query embedding (LQE) to jointly infer missing facts and retrieve items based on logical requirements. Second, answer sets are under-exploited. Existing LQE methods can only deal with query-answer pairs, where queries in our case are the intersected user preferences and logical requirements. However, the logical requirements and user preferences have different answer sets, offering us richer knowledge about the requirements and preferences by providing requirement-item and preference-item pairs. Thus, we design a multi-task knowledge-sharing mechanism to exploit these answer sets collectively. Extensive experimental results demonstrate the significance of the LogicRec task and the effectiveness of our proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI