Pivotal Role of Language Modeling in Recommender Systems: Enriching Task-specific and Task-agnostic Representation Learning

要約

タイトル：レコメンダーシステムにおける言語モデリングの重要な役割：タスク特化型およびタスク非依存型表現学習の豊富化

要約：

– 最近の研究は、さまざまなアプリケーションからのユーザーの行動データを活用する統合的なユーザーモデルフレームワークを提案している。
– これらの多くは、ユーザーの行動シーケンスをプレーンテキストとして利用することで、どのドメインやシステムでも一般性を失うことなく、豊富な情報を表すことができる。
– そのため、疑問が生じる：ユーザー履歴コーパスの言語モデリングは、レコメンダーシステムの改善に役立つだろうか？
– 多様なレコメンデーションタスクで優れた結果を実現する、タスク特化型ユーザー履歴に直接適用する言語モデリングが可能であることがわかった。
– また、追加のタスク非依存型ユーザー履歴を活用することで、大きな性能向上が実現できる。
– さらに、我々のアプローチが、未知のドメインやサービスでも幅広い実世界のレコメンダーシステムに有望な転移学習の能力を提供できることを示した。

要約(オリジナル)

Recent studies have proposed unified user modeling frameworks that leverage user behavior data from various applications. Many of them benefit from utilizing users’ behavior sequences as plain texts, representing rich information in any domain or system without losing generality. Hence, a question arises: Can language modeling for user history corpus help improve recommender systems? While its versatile usability has been widely investigated in many domains, its applications to recommender systems still remain underexplored. We show that language modeling applied directly to task-specific user histories achieves excellent results on diverse recommendation tasks. Also, leveraging additional task-agnostic user histories delivers significant performance benefits. We further demonstrate that our approach can provide promising transfer learning capabilities for a broad spectrum of real-world recommender systems, even on unseen domains and services.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI