[4D1-GS-2] 機械学習：不確実性・情報可視化

[4D1-GS-2-02] Twin-G NeuMF：ノイズに頑健なNeural Matrix Factorizationの改良モデル

〇長命 祥吾¹、松岡 龍汰¹、清水 成¹、楊 添翔²、後藤 正幸¹ (1. 早稲田大学、2. 慶応義塾大学)

キーワード：推薦モデル、協調フィルタリング、暗黙的評価、ノイズデータ、ネガティブサンプリング

近年ECサイト等では膨大なアイテムからユーザの嗜好に沿った提案を行う推薦モデルの需要が高まっている．特にユーザのインタラクション（購入，閲覧等）の有無から導かれる評価データ（暗黙的評価）を用いた協調フィルタリングは，現在の推薦システムを支える重要な技術であり，その1つにNeural Matrix Factorization（NeuMF）がある．NeuMFは線形モデルと非線形モデルを統合することで，複雑な構造の表現を可能にした．しかし，暗黙的評価はインタラクションの容易性やユーザが直接評価を行っていない点から，誤クリックによるインタラクション等のノイズデータが混入しやすく，非線形モデルのNeuMFはこういったノイズを過学習しやすい．そこで本研究では， 従来のNeuMFに対してさらに線形の機構を1つ追加したTwin-G NeuMFを提案する．実験から，提案手法，及びノイズが多い状況での有効性を示す．また，提案手法は，インタラクションが観測されたデータの割合が大きく，ネガティブサンプリングが被りやすいときに，その影響を緩和できることを示す．