More Related Content
Similar to [DL輪読会]“Meta-Learning for Online Update of Recommender Systems. (AAAI 2022)” (20)
More from Deep Learning JP (20)
[DL輪読会]“Meta-Learning for Online Update of Recommender Systems. (AAAI 2022)”
- 1. DEEP LEARNING JP
[DL Papers]
“Meta-Learning for Online Update of Recommender Systems.
(AAAI 2022)”
Yoshifumi Seki
http://deeplearning.jp/
- 2. 書誌情報
● 投稿先
○ AAAI2022
● 投稿者
○ 韓国科学技術大学と Naver
○ 1stはPhDの学生
○ COVID-19のDLを使った予測で
AAAI2022, KDD2020に1stで通してい
る
● 選定理由
○ ニュース推薦のデータセットが含まれて
いる
○ 直近のメタ学習による推薦システムのト
レンドのキャッチアップのため
- 8. Importance Weighting
● importance weightingはインタラクションごとに学習率を調整する
○ 論文中ではφ^Iが損失とか言ってるけど、一般化すると違うので、、、
○ W^Iをφ^Iを値に持つと言ってるけどこれも ηが考慮できないので、、、
● 既存手法
○ eALS (He et al. 2016): ヒューリスティックに決定する (多分Lossの比とか)
○ MWNet (Shu et al. 2019): 外部のメタモデルを維持するように学習する (?)
φ^I: インタラクションごとのスコアを返す関数
W^I: 一般化した行列
- 12. Step1: Representing User Item Interaction
● 過去のインタラクション情報からインタラクションをembedする
● アイテムとユーザの2部グラフで過去のインタラクションを表現
● Graph Attention Networkで埋め込み
●
- 13. Step2: Representing Parameter Role
● 予測結果に与える影響の大きさをパラメータのRoleと(大雑把に)定義する
● 3つの情報が使える
○ パラメータの値
○ パラメータの損失:どれだけインタラクションに対して学習できてないかを示す
○ パラメータの勾配:損失に対してどれだけアクションが必要かを示す
● MLPを使って学習する
- 19. 比較手法
推薦アルゴリズム
● Bayesian Personalized Ranking (BPR)
● Neural Collaborative Filtering (NCF)
更新戦略
● Default (普通のmini batch)
● importance weighting
○ eALS
○ MWNet
● Meta Optimization
○ MetaSGD
○ S2Meta
○ SML
- 20. 評価指標
● Hit Rate (HR)
● NDCG
1つの実際にinteractionしたアイテムと、99個のランダムなアイテムをスコア付けしてラ
ンキングにして評価
- 24. ● 学習率重みの可視化
○ 細かく違うことがわかる
● 上と右のバーは平均化したもの
○ 違うところが多いので、提案手法は
より適切に最適化できていると考え
られる
● AdressaとYelpの違いは先ほど
あったimportance weighting,
meta optimizationの違いと一致
する
- 28. まとめ
● Importance WeightingとMeta Optimizationの合わせ技で、オンライン学習におい
て過去のものと比較し大きな精度改善を実現している
● 比較実験において、2つ合わせて学習することで様々なデータセットの特性に対応
できる
所感
● testがどんどんデータが追加されていく感じの時系列な設定ではないので、これを
そのまま実サービスレベルで信用できるかは疑問
● 早い言っているが本当に早いのか、、、?
● とはいえ、シンプルなアイデアでしっかり結果を出しているのはすごい