RecSys 2018のペーパーを読んでいく(8) ... 連続で推薦するシステムをFMを活用してさらに改善した話
2019/04 、RecSys 2018の論文をひたすら読みます。ルール。
- 1日ひとつ
- 読み終わらなくてもOK
- 理解と疑問点を毎日まとめる
読んでいこうと思っていたのですが、ビデオがつくようになったのでそれを見ます。今日は、 Translation-based factorization machines for sequential recommendation
Abstract:
- ユーザー、アイテムの静的なレコメンドは割といい感じにできるようになった
- ユーザの過去のインタラクションの履歴を加味して推薦したい
- Factorization Machine の内積をembedding と距離に置き換えて学習
- 汎用的な sequential recommendation アルゴリズムができたよ
ざっくり
- ユーザの好みとアイテムの特徴で推薦するものを決めるが、そこに「履歴」も加味したい
- 例えば、ユーザがアベンジャーズ1,2 をみていたら、次に推薦したいのは3
- TransFM というアルゴリズムを提案
- 従来のSequenatial Recommendation のアルゴリズムではユーザの方向性みたいのはモデル化できたが、そのときの状況みたいのものを加味できなかった
- Factorization Machine は、ユーザ・アイテムに加え、そのときの状況を特徴量にするもの。
- TransFM では この2つをうまく混ぜて、過去の行動履歴・ユーザ・アイテム・そのときの状況を全て加味したモデルを作成
- 従来のSequeantial Recommendation 手法はかなりタスク依存(音楽なら音楽)になりがち
- TransFM は汎用的なアルゴリズム
- Amazon などで実験。AUC を比較して良い結果がでたよ
感想
- github に実装が公開されているらしいのでみにいこう