Rethinking negative sampling in content-based news recommendation

要約

ニュース推奨システムは、記事の関連性が急速に低下するため、記事の寿命が短いことが妨げとなります。
最近の研究では、この問題に取り組む際のコンテンツベースのニューラル技術の可能性が実証されています。
ただし、これらのモデルには複雑なニューラル アーキテクチャが含まれることが多く、ネガティブな例に対する考慮が欠けていることがよくあります。
この研究では、否定的な例を注意深くサンプリングすることがモデルの結果に大きな影響を与えると仮定しています。
私たちは、モデルの精度を向上させるだけでなく、推奨システムの分散化を促進するネガティブ サンプリング手法を考案しました。
MIND データセットを使用して得られた実験結果は、検討中の手法の精度が最先端のモデルの精度と競合できることを示しています。
サンプリング技術の利用は、高レベルの精度を維持しながらモデルの複雑さを軽減し、トレーニング プロセスを加速するために不可欠です。
最後に、分散モデルがプライバシーとスケーラビリティの向上にどのように役立つかについて説明します。

要約(オリジナル)

News recommender systems are hindered by the brief lifespan of articles, as they undergo rapid relevance decay. Recent studies have demonstrated the potential of content-based neural techniques in tackling this problem. However, these models often involve complex neural architectures and often lack consideration for negative examples. In this study, we posit that the careful sampling of negative examples has a big impact on the model’s outcome. We devise a negative sampling technique that not only improves the accuracy of the model but also facilitates the decentralization of the recommendation system. The experimental results obtained using the MIND dataset demonstrate that the accuracy of the method under consideration can compete with that of State-of-the-Art models. The utilization of the sampling technique is essential in reducing model complexity and accelerating the training process, while maintaining a high level of accuracy. Finally, we discuss how decentralized models can help improve privacy and scalability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google