Cross-Attribute Matrix Factorization Model with Shared User Embedding

要約

過去数年にわたり、ディープ ラーニングは、コンピューター ビジョン、音声認識、自然言語処理など、さまざまな分野でその優れた能力を確立してきました。
その目覚ましい成功に動機づけられ、研究者たちは深層学習技術をレコメンダー システムに適用することに注力してきました。
ニューラル協調フィルタリング (NCF) とニューラル行列分解 (NeuMF) は、複雑なデータ駆動型関数を学習できるニューラル アーキテクチャを使用して、行列分解における従来の内積を更新します。
これらのモデルはユーザーとアイテムのインタラクションを効果的に捕捉しますが、ユーザーとアイテムの両方の特定の属性を見落とします。
これは、特に「ロングテール」に属するアイテムやユーザーにとって、堅牢性の問題につながる可能性があります。
このような課題は、レコメンダー システムではコールド スタート問題の一部として一般に認識されています。
この問題に対処する直接的かつ直観的なアプローチは、アイテムとユーザー自体の機能と属性を活用することです。
このペーパーでは、ユーザーとアイテム間のインタラクションだけでなく、関連する属性全体も考慮した、洗練された NeuMF モデルを紹介します。
さらに、私たちが提案するアーキテクチャは、共有ユーザー エンベディングを特徴としており、ユーザー エンベディングとシームレスに統合して堅牢性を向上させ、コールド スタート問題に効果的に対処します。
Movielens と Pinterest の両方のデータセットに対する厳密な実験により、特にデータセットの疎性が高いことを特徴とするシナリオにおいて、クロス属性行列因数分解モデルの優位性が実証されました。

要約(オリジナル)

Over the past few years, deep learning has firmly established its prowess across various domains, including computer vision, speech recognition, and natural language processing. Motivated by its outstanding success, researchers have been directing their efforts towards applying deep learning techniques to recommender systems. Neural collaborative filtering (NCF) and Neural Matrix Factorization (NeuMF) refreshes the traditional inner product in matrix factorization with a neural architecture capable of learning complex and data-driven functions. While these models effectively capture user-item interactions, they overlook the specific attributes of both users and items. This can lead to robustness issues, especially for items and users that belong to the ‘long tail’. Such challenges are commonly recognized in recommender systems as a part of the cold-start problem. A direct and intuitive approach to address this issue is by leveraging the features and attributes of the items and users themselves. In this paper, we introduce a refined NeuMF model that considers not only the interaction between users and items, but also acrossing associated attributes. Moreover, our proposed architecture features a shared user embedding, seamlessly integrating with user embeddings to imporve the robustness and effectively address the cold-start problem. Rigorous experiments on both the Movielens and Pinterest datasets demonstrate the superiority of our Cross-Attribute Matrix Factorization model, particularly in scenarios characterized by higher dataset sparsity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google