RecSys 2020(10) Day3, Understanding and Modeling Preferences
Day3 も架橋。でも日本時間昼一はねむいです。
TAFA: Two-headed Attention Fused Autoencoder for Context-Aware Recommendations
Abstract
推薦システムでuser-itemのpreference と review を同時にモデリングする手法を提案。
左下のautoencoder でレビューを、右下のautoencoderでuser-itemの嗜好をエンコードし、early fusion / late fusion を実行した上で、decodeする。
実験した場合、reviewの情報が利くことがわかった。
感想
Attention(fusion でつかってる） は weight を可視化できるからreview のどこが推薦に効いているかがわかって面白い。
A Ranking Optimization Approach to Latent Linear Critiquing for Conversational Recommender Systems
Abstract
会話しながらニュース記事を推薦するシステム。ユーザは「スポーツのニュースある？」「もっとご機嫌なやつがいい」など批判(critique)的な応答を欲しい記事を手に入れるまで繰り返す。この批判とユーザのpreference をどう組み合わせるのか？
- Linearly Embedding Everything
- Critique based reranking
- LP Optimization
感想
去年もきいたなあ。英語が聞きやすいのとトピックが理解しやすいのでおぼえている。
Content-Collaborative Disentanglement Representation Learning for Enhanced Recommendation
Abstract
CF と Content Features、両方のよいところを推薦システムに取り組みたいが、課題はHigh Feature Correlation とFeature Duplication。
そこで、これらをdisentangled representation( = ときほぐす）で解決したい。
ちなみに disentangle とは 以下のようなことをいうらしい。
潜在空間中の各次元が観測データ中の因子や性状ごとに分かれているような状態を disentangled な表現
提案手法はこんな感じ。
モデルをvisualize すると、解きほぐされている様子がわかる？
感想
disentangled representation。またひとつかしこくなりました。ありがとうPFN。
“Who Doesn’t Like Dinosaurs?” Finding and Eliciting Richer Preferences for Recommendation
Abstract
推薦に使う情報はうすいクリックなどのフィードバックしかないが、絵を描いてもらったり文を描いてもらったりすることで、推薦に必要な嗜好を抽出することができるのではないか？調査の手法（TeLLY)を提案する
感想
昨日に続き、MSの人の発表、二回目。複数発表する人がおおいのだなあ。応募が少なかったのだろうか。
Neural Collaborative Filtering vs. Matrix Factorization Revisited
Abstract
Googleの発表。類似度をMLP などNeural で計算するのはやっているが、本当にDot Product ではだめなのか？
実験結果をみると、Dot Product でもちゃんとチューニングするといい感じになる。さらにdot product は MLP で学習するのがむずかしい。dot product ありだよ。
感想
それはなにより。ただタスクによるような気もする。
[Industrial Talks ] Query as Context for Item-to-Item Recommendation
Etsy というオークションサイトの発表。
似たもの、というだけではなく、「ハロウィンの時期に検索された赤い帽子ならハロウィンにふさわしいやつを推薦したい」
時期などを考慮した推薦をする仕組みを構築
システムの評価にいろいろな指標をつくった。オフラインテスト・オンラインテストそれぞれにmetrics がある。
A/B テストの指標には $ マークがw
