Mitigating Matthew Effect: Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation
Abstractの概要
本論文は、ユーザーとシステムの対話が繰り返されるにつれて人気アイテムが過剰に優遇され、ユーザーの触れる関心領域が次第に狭まるという、対話型推薦システムにおけるマタイ効果を研究している。著者らは、グループ行動、共同行動、購買行動の3つのチャネルから構築した複数のハイパーグラフを通じて、複数レベルのユーザーの関心を学習するエンドツーエンドのフレームワーク「HiCore」を提案する。HiCoreは、アイテム指向、エンティティ指向、および単語指向のハイパーグラフを構築し、自己教師あり学習を適用してこれらのシグナルを推薦および対話モジュールの両方で使用される関心表現へと集約する。実証研究では、4つの対話型推薦ベンチマークを対象とし、推薦の品質、対話の多様性、および人気の集中の緩和に関連する指標を評価している。
新規性
本論文の主な新規性は、マタイ効果の緩和を静的な推薦設定だけでなく、対話型推薦の枠組みの中で直接捉え直した点にある。アイテム、エンティティ、および単語レベルの関心を横断的にモデル化するマルチハイパーグラフおよびトリプルチャネルの設計を導入し、それを自己教師あり学習と組み合わせることで、学習された関心が推薦と応答生成の両方をサポートできるようにしている。
成果
REDIAL、TG-REDIAL、OpenDialKG、およびDuRecDialにわたって、HiCoreは推薦指標や対話の多様性指標において比較対象のベースラインを上回り、複数の表で統計的に有意な改善を示している。マタイ効果の分析において、HiCoreは比較手法の中で最も高いカバレッジと、最も低い平均人気度およびロングテール比率を達成しており、人気アイテムへの集中が効果的に緩和されたことを示している。さらにアブレーション実験では、いずれかのハイパーグラフコンポーネントを削除すると推薦性能が低下することが示されている。
論文の注目点
- HiCoreは、グループ、共同、購買の各チャネルのもとで、アイテム、エンティティ、単語の各ビューにわたる複数のハイパーグラフを用いてユーザーの関心をモデル化する。
- 学習されたマルチインタレスト表現は推薦モジュールと対話モジュールの両方で使用され、関心モデリングと動的な対話インタラクションを結びつける。
- 実験とアブレーションにより、ベースラインよりも優れた推薦および対話性能が示されると同時に、多様性を重視した分析からはマタイ効果の緩和機能の向上が示唆されている。