要約
10年以上にわたり、埋め込み（embedding）に基づくモデルは、協調フィルタリング分野における最先端技術として位置づけられてきた。従来、2つ以上の埋め込みを組み合わせる手法として、ドット積やその高次元版が広く用いられてきた。特に行列分解（matrix factorization）において顕著にその例が見られる。近年、多層パーセプトロン（MLP）を用いて学習可能な類似度関数にドット積を置き換える手法が提案された。このアプローチは、一般的にニューラル協調フィルタリング（Neural Collaborative Filtering: NCF）と呼ばれている。本研究では、MLPを用いた学習可能な類似度を普及させたNCF論文の実験を再検証する。まず、適切なハイパーパラメータの選定のもと、単純なドット積が提案された学習可能な類似度よりも著しく優れた性能を発揮することを示す。次に、理論的にはMLPが任意の関数を近似可能であるものの、ドット積そのものをMLPで学習することは実際には非自明であることを示す。さらに、MLPに基づく類似度の実装に伴う実用上の課題について検討し、MLPは本番環境におけるアイテム推薦において計算コストが高すぎて不向きであることを明らかにする。一方、ドット積は非常に効率的な検索アルゴリズムの適用が可能である。結論として、MLPを埋め込みの結合手法として使用する際には注意が必要であり、ドット積はより現実的で効果的なデフォルト選択肢である可能性が高いと述べる。