すべての推薦システムに適した効率的な多様体密度推定器

多くの非教師付き表現学習手法は、類似度学習モデルの一種に属する。さまざまなデータタイプに対応するモダリティ固有のアプローチが存在する一方で、多くの手法の核心的な性質として、類似した入力の表現が、ある類似度関数のもとで近接していることが挙げられる。本研究では、局所的な類似性を有する任意のベクトル表現を利用する枠組みであるEMDE（Efficient Manifold Density Estimator）を提案する。このEMDEは、リーマン多様体上に滑らかな確率密度を簡潔に表現することを可能にする。我々の近似表現は固定長であり、加法的構成性がシンプルであるという望ましい性質を備えており、特にニューラルネットワークにおける入力・出力形式として扱いやすく、効率的な条件付き推定器の構築を可能にする。さらに、マルチモーダル推薦の問題を、多様体上の条件付き重み付き密度推定という形に一般化・再定式化する。このアプローチにより、あらゆる推薦設定において、複数の相互作用タイプやデータモダリティ、および相互作用の強度を直感的かつ容易に統合できる。EMDEをtop-k推薦およびセッションベース推薦の設定に適用した結果、単一モーダルおよびマルチモーダルの両方において、複数のオープンデータセットで新たなSOTA（最先端）性能を達成した。