Twin-G NeuMF：ノイズに頑健なNeural Matrix Factorizationの改良モデル

抄録

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．