Sequential Recommendation with Probabilistic Logical Reasoning

要約

ディープ ラーニングとシンボリック ラーニングは、Sequential Recommendation (SR) で頻繁に使用される 2 つの手法です。
最近の神経記号 SR モデルは、SR に知覚と認識の能力を同時に備えることを可能にする可能性を実証しています。
ただし、ニューラルシンボリック SR は、論理的推論でユーザーやアイテムを表現するなどの未解決の問題があるため、依然として困難な問題です。
この論文では、ディープ ニューラル ネットワーク (DNN) SR モデルと論理的推論を組み合わせ、確率的論理的推論による逐次推奨 (SR-PLR の略) と呼ばれる一般的なフレームワークを提案します。
このフレームワークにより、SR-PLR は、DNN および確率的論理ネットワークにおける特徴の埋め込みとロジックの埋め込みを解きほぐすことで、類似性マッチングと論理推論の両方からメリットを得ることができます。
ユーザーの嗜好の不確実性と進化をより適切に捉えるために、SR-PLR は確率的方法でユーザーとアイテムを埋め込み、ユーザーの対話パターンに対して確率的論理的推論を実行します。
次に、DNN と論理ネットワークから学習した特徴と論理表現が連結されて予測が行われます。
最後に、さまざまな逐次推奨モデルの実験により、SR-PLR の有効性が実証されています。

要約(オリジナル)

Deep learning and symbolic learning are two frequently employed methods in Sequential Recommendation (SR). Recent neural-symbolic SR models demonstrate their potential to enable SR to be equipped with concurrent perception and cognition capacities. However, neural-symbolic SR remains a challenging problem due to open issues like representing users and items in logical reasoning. In this paper, we combine the Deep Neural Network (DNN) SR models with logical reasoning and propose a general framework named Sequential Recommendation with Probabilistic Logical Reasoning (short for SR-PLR). This framework allows SR-PLR to benefit from both similarity matching and logical reasoning by disentangling feature embedding and logic embedding in the DNN and probabilistic logic network. To better capture the uncertainty and evolution of user tastes, SR-PLR embeds users and items with a probabilistic method and conducts probabilistic logical reasoning on users’ interaction patterns. Then the feature and logic representations learned from the DNN and logic network are concatenated to make the prediction. Finally, experiments on various sequential recommendation models demonstrate the effectiveness of the SR-PLR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google