多タスク特徴学習による知識グラフ強化推薦

協調フィルタリングは、実際の推薦シナリオにおいて疎性とコールドスタート問題にしばしば直面します。そのため、研究者やエンジニアは通常、補助情報を利用してこれらの問題を解決し、推薦システムの性能を向上させます。本論文では、知識グラフを補助情報の源として考慮します。私たちはMKR（Multi-task feature learning approach for Knowledge graph enhanced Recommendation）と呼ばれる多タスク特徴学習アプローチを提案します。MKRは、知識グラフ埋め込みタスクを利用して推薦タスクを支援する深層エンドツーエンドフレームワークです。これら2つのタスクはクロス＆コンプレッションユニットによって関連付けられ、自動的に潜在的な特徴を共有し、推薦システム内のアイテム間と知識グラフ内のエンティティ間の高次相互作用を学習します。私たちはクロス＆コンプレッションユニットが十分な多項式近似能力を持つことを証明し、MKRが代表的な推薦システムや多タスク学習の方法を一般化したフレームワークであることを示しています。現実世界のデータセットにおける広範な実験を通じて、MKRが映画、書籍、音楽、ニュースの推薦において最先端の基準モデルに対して大幅な改善を達成することを示しました。また、ユーザー-アイテム間の相互作用が疎であってもMKRが良好な性能を維持できることも確認されています。