PDF

イントロ

  • オンラインショッピング, ビデオ視聴, ニュース行動などオンライン上の消費行動がポピュラーに
  • このような消費行動を予測するための推薦手法は userとitemのembedding, それらの間の非線形な関係を捉えるものが提案されている
  • しかし, 既存の推薦手法には三つの大きな課題がある
    • スパース性: ユーザとアイテムの相互作用が少ない場合, よい表現を学習できない
    • 不確実性: 既存手法はデータを不確実性がないものとして扱っている
    • 多様性: 既存のtop-N推薦手法はtop-Nのアイテムそれぞれのみにフォーカスしており, トップN個のアイテムの多様性を見過ごしている
  • GCNはスパースなデータやコールドスタート問題に対処できるということが知られている
  • ただし不確実性や多様性を考慮することはできない
  • Bayesian Graph Neural Networks (BGNNs)に基づきnode-copyingを用いた新たな手法を提案
  • Node-copyingモデルは観測グラフに似ているが十分な多様性を含む
  • 提案手法はスケーラブルで不確実性に対処できる