Interaktionsbewusste Faktorisierungs-Maschinen für Empfehlungssysteme

Die Faktorisierungs-Maschine (FM) ist ein weit verbreiteter Ansatz des überwachten Lernens, der durch die effektive Modellierung von Merkmalsinteraktionen erfolgreich eingesetzt wird. Trotz der erfolgreichen Anwendung von FM und ihren vielen Varianten im Bereich des tiefen Lernens kann das gleichmäßige Behandeln aller Merkmalsinteraktionen die Leistung verschlechtern. Zum Beispiel können die Interaktionen eines nutzlosen Merkmals Störungen einführen; die Bedeutung eines Merkmals kann sich auch ändern, wenn es mit verschiedenen anderen Merkmalen interagiert. In dieser Arbeit schlagen wir ein neues Modell vor, die \emph{Interaktionsbewusste Faktorisierungs-Maschine} (IFM), indem wir den Interaktionsbewuschten Mechanismus (IAM) einführen, der den \emph{Merkmalsaspekt} und den \emph{Feldaspekt} umfasst, um flexibel auf zwei Ebenen Interaktionen zu lernen. Der Merkmalsaspekt lernt die Bedeutung von Merkmalsinteraktionen durch ein Aufmerksamkeitsnetzwerk, während der Feldaspekt das Effekt von Merkmalsinteraktionen als parametrische Ähnlichkeit zwischen dem Merkmalsinteraktionsvektor und dem entsprechenden Feldinteraktionsprototyp lernt. Die IFM führt eine strukturiertere Steuerung ein und lernt die Bedeutung von Merkmalsinteraktionen in einer geschichteten Weise, was mehr Spielraum für Anpassungen der Interaktionen sowohl auf der Ebene einzelner Merkmale als auch auf der Ebene ganzer Felder bietet. Darüber hinaus präsentieren wir eine verallgemeinerte Architektur und schlagen das \emph{Interaktionsbewusste Neuronale Netzwerk} (INN) sowie DeepIFM vor, um höhere Ordnungen von Interaktionen zu erfassen. Um sowohl die Leistung als auch die Effizienz der IFM weiter zu verbessern, wurde ein Abtastverfahren entwickelt, das Interaktionen basierend auf der Bedeutung des Feldaspekts auswählt. Die experimentellen Ergebnisse aus zwei bekannten Datensätzen zeigen die Überlegenheit der vorgeschlagenen Modelle gegenüber den bislang besten Methoden.