All-in-One: Heterogeneous Interaction Modeling for Cold-Start Rating Prediction

要約

コールド スタートの評価予測は、レコメンダー システムの基本的な問題であり、広範囲に研究されてきました。
コールドスタートのユーザーやアイテムのデータ不足の問題を軽減するために、協調フィルタリング、ソーシャルレコメンデーション、異種情報ネットワークなど、既存データ間の明示的な関係を利用する多くの方法が提案されています。
ただし、異なる役割間のデータに基づいて構築された明示的な関係は信頼性が低く、無関係である可能性があり、特定の推奨タスクのパフォーマンスの上限が制限されます。
これを動機として、この論文では、異種相互作用評価ネットワーク (HIRE) と呼ばれる柔軟なフレームワークを提案します。
HIRE は、事前定義された対話パターンや手動で構築された異種情報ネットワークだけに依存するわけではありません。
代わりに、異種相互作用モジュール (HIM) を考案して、異種相互作用を共同モデル化し、観察されたデータを介して重要な相互作用を直接推論します。
実験では、3 つの現実世界のデータセットに対する 3 つのコールド スタート設定の下でモデルを評価します。
実験結果は、HIRE が他のベースラインよりも大幅に優れていることを示しています。
さらに、HIRE の推定された相互作用を視覚化して、モデルの寄与を確認します。

要約(オリジナル)

Cold-start rating prediction is a fundamental problem in recommender systems that has been extensively studied. Many methods have been proposed that exploit explicit relations among existing data, such as collaborative filtering, social recommendations and heterogeneous information network, to alleviate the data insufficiency issue for cold-start users and items. However, the explicit relations constructed based on data between different roles may be unreliable and irrelevant, which limits the performance ceiling of the specific recommendation task. Motivated by this, in this paper, we propose a flexible framework dubbed heterogeneous interaction rating network (HIRE). HIRE dose not solely rely on the pre-defined interaction pattern or the manually constructed heterogeneous information network. Instead, we devise a Heterogeneous Interaction Module (HIM) to jointly model the heterogeneous interactions and directly infer the important interactions via the observed data. In the experiments, we evaluate our model under three cold-start settings on three real-world datasets. The experimental results show that HIRE outperforms other baselines by a large margin. Furthermore, we visualize the inferred interactions of HIRE to confirm the contribution of our model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google