ZeroMat: データを一切使用せずにレコメンデーションシステムのコールドスタート問題を解決する

[[428372]]

[51CTO.com からのオリジナル記事]推奨システムは、登場以来、学界や産業界で広く使用されてきました。 Amazon、Toutiao、Douyin などの多くの重要な Web サイトは、大量のクリック数と莫大な企業利益を得るために推奨システムに依存しています。推奨システムのクリックスルー率を向上させる方法は、依然として業界の主要な研究方向の 1 つです。

推奨システムは多くの注目を集めていますが、推奨システムの実践者を常に悩ませてきた固有の問題がいくつかあります。コールド スタート問題は、レコメンデーション システムにおける重要な研究テーマです。この問題は広く注目されているものの、効果的な解決策が常に不足しています。

推奨システムのコールドスタート問題とは、新しいユーザーや新しいアイテムに遭遇したときに、履歴データが不足しているためにユーザーに推奨できないという問題を指します。現在、人気のあるソリューションには、メタ学習などの技術的な方法が含まれます。

ICISCAE 2021で、研究者らは、入力データを一切使用せず、評価データの最大値のみを知ることで、推奨システムのコールドスタート問題を解決するZeroMatと呼ばれるアルゴリズムを提案しました。

まず、著者は確率的行列分解のフレームワークを借用して行列分解の問題を定義します。つまり、次の確率の最大値を計算します。

Zipf の法則に従って、ユーザー評価の確率分布を次のようにモデル化します。

さらに、次のように正規分布をモデリングに使用します。

式を展開すると、次の式が得られます。

確率的勾配降下法を使用すると、次のようになります。

ソート後、ユーザー評価値を復元します。

計算プロセス全体で外部入力データが使用されていないことに気付きました。U と V はパラメーターであり、知っておく必要があるのはスコアの最大値だけです。たとえば、映画の評価の最大値が 1 か 5 かは、通常、製品設計上の問題であり、事前にわかっています。

実験では、ZeroMat、ランダム値、従来の行列分解アルゴリズムの 3 つのアルゴリズムの効果を比較しました。ZeroMat の効果を検証するために、MAE と Matthew 効果の度合いという 2 つの指標を使用しました。驚くべきことに、ZeroMat は、完全な入力データを使用した従来の行列分解アルゴリズムよりも優れたパフォーマンスを発揮することがあります。

MAE における 3 つの異なるアルゴリズムのテスト結果

マシュー効果の度合いに関する3つの異なるアルゴリズムのテスト結果

推奨システムにおけるマシュー効果は、長い間、研究者や業界の専門家を悩ませてきました。ZeroMat は、データを一切使用せずにコールド スタート問題を解決する最初のアルゴリズム フレームワークです。このアルゴリズムは理解しやすく、実行速度も速く、非常に優れた結果が得られるため、推奨システムのコールド スタート問題を完全に解決するための新たな扉を開きます。

論文アドレス: https://www.researchgate.net/publication/354996721_ZeroMat_Solving_Cold-start_Problem_of_Recommender_System_with_No_Input_Data

[51CTO オリジナル記事、パートナーサイトに転載する場合は、元の著者とソースを 51CTO.com として明記してください]