RecSys 2021 Day2 - 09.28 - なんとかエンジニアのきろく ... ばばあやこのtech blog

二日目。とにかく頭の外に出す。

Regulating Recommenders

推薦システムと世の規約の話。AI や ML などは我々をエンパワメントする存在だが、同時にFake News やエコーチェンバーなどにより社会に悪影響を及ぼすことがある。そのため、現在特にEUでつよく推薦システムに対する規制が検討されている。ただし、規制 = Innovation の阻害ではない。倫理的でSocial Goodなシステムをつくるために、規制の意図を十分理解しよう

Session 4: Users in Focus

“Serving Each User”: Supporting Different Eating Goals Through a Multi-List Recommender Interface

推薦システムは表示して選んでもらうインタラクティブなインタフェース。リストが複数あった場合はどういうふうに表示したらいい？それはリストが一つの場合とどう違う？という課題に取り組んだ発表。分野は「食べ物の推薦」。PC とスマホでもちがいそう。

Building Public Service Recommenders: Logbook of a Journey

BBC で記事推薦システムを構築する話。Industrial SessionがRecSysの醍醐味だと思います。

BBC はみなさんよく知るイギリスのラジオ・テレビ局。このコンテンツのデジタライゼーションを支えるのが推薦システム。どのようにパーソナライゼーションを実現するのか？

チャレンジは３つ。文化、組織、基盤。

組織

データドリブンなソリューションがBBC の編集基準を満たすよう保守するにはどうしたら？
公共サービスとしての価値を定量的なメトリクスにどう落とし込む？
大規模リコメンドにどのように品質管理ツールを適用するのか？

そのために、編集ガイドラインを最適化

データサイエンスと編集の協調ループをつくる

編集が推薦システムにフィードバックする。専門のツールを用意した。これが本気ですごかった。

学んだこと。Fast Iteration が大事。よい。

チームの可能性と自信をつくることにフォーカス

人が一番のアセット。

ひとりの突出人ではなくチーム力を信じる

データ + 編集

編集をできるだけ早い段階で巻き込む

どろくさくてよい。

User Bias in Beyond-Accuracy Measurement of Recommendation Algorithms

推薦システムにはいろいろなバイアスがあるが、ここではユーザの年齢と好奇心の強さでグループわけし、それが推薦システムにどれほど影響するか検証した。

Session 5: Language and Knowledge

Transformers4Rec: Bridging the Gap between NLP and Sequential / Session-Based Recommendation

NVIDIA。このアイテムの次はこのアイテム、とうような、連続して推薦するセッションベースのシステムにTransformer を利用するものを開発したよ。という話。NVIDIA（２回目）。スライドはTransformer 感あるものを。

Sparse Feature Factorization for Recommender Systems with Knowledge Graphs

Sparse Feature Factorization をナレッジグラフを用いて実施するKGFlex という手法の提案。グラフだぞー

ProtoCF: Prototypical Collaborative Filtering for Few-shot Recommendation

他ドメインのデータで「プロトタイプ的な」協調フィルタリングモデルをつくることにより、Few-shot な場合の推薦を実現する話。メタナレッジトランスファー。Few-shot という単語が今年やたら聞かれるようになった。Sparse ではなく Few-shot。

Towards Source-Aligned Variational Models for Cross-Domain Recommendation

クロスドメインの推薦（映画の嗜好から書籍を推薦する）のための、ふたつの手法、Rigidly Aligned VAE と Softly Aligned VAE の紹介。VAE もマスターしなくてはいけない。雰囲気だけでも。

Together is Better: Hybrid Recommendations Combining Graph Embeddings and Contextualized Word Representations

グラフ埋め込みとBERTのようなコンテキストを考慮した単語表現を組み合わせてリッチな推薦システムをつくった話。

Information Interactions in Outcome Prediction: Quantification and Interpretation using Stochastic Block Models

予測したいのは「retweet するか」など。ただ、一般的に tweet1 → リツイートした、tweet2 →リツイートしたとしても tweet1 + tweet2 →リツイートするとは限らない。この複数の条件を、学習データとして tweet のペア → 結果の形でつくってモデルにし、評価した。このようなインタラクションを利用することにより推薦を最適化することはできたが、インタラクションのアウトカムへの影響は小さいことがわかった。

Session 6: Interactive Recommendation

Fast Multi-Step Critiquing for VAE-based Recommender Systems

Learning a Voice-based Conversational Recommender using Offline Policy Optimization

Alexaの話。今聞きたい音楽はなに？を対話で探す。ルールベースではなく、Offline Plicy Optimization で「次の質問」を最適化する強化学習モデルをつくる話。ユーザに「朝はNirvana の気分じゃない」と拒否られるAlexa。かわいい。

なかなかの結果

Large-scale Interactive Conversational Recommendation System using Actor-Critic Framework

インタラクティブな推薦システム。会話のポリシーと推薦モデルを同時に学習し、question のvalue を評価、大量データでも対応できるような手法を提案する。モデルにはRL をつかうが、State は質問と会話。 Action は質問するか、アイテムを推薦するかのどちらか。このAction Space が広大だったが、Actor Critic frameworkを利用した。