GLocal-K：レコメンデーションシステムのためのグローバルおよびローカルカーネル

推薦システムは通常、高次元かつスパースなユーザ・アイテム行列上で動作する。この行列において、数百万のユーザーがそれぞれ数千のアイテムのわずかなサブセットしか閲覧していない状況下で、個人の興味を予測するという行列補完（matrix completion）は極めて困難な課題である。本研究では、高次元かつスパースなユーザ・アイテム行列の要素を、少数の重要な特徴を持つ低次元空間に一般化・表現することを目的として、グローバル・ローカルカーネルに基づく行列補完フレームワーク「GLocal-K」を提案する。本モデルは主に二段階に分かれる。第一段階では、局所的なカーネル化された重み行列を用いて自動符号化器（autoencoder）を事前学習する。この過程では、2次元RBFカーネルを用いて、データを元の空間から特徴空間に変換する。第二段階では、畳み込みベースのグローバルカーネルによって生成されるレーティング行列を用いて、事前学習済みの自動符号化器を微調整する。このグローバルカーネルは、各アイテムの特徴を捉えることを目的としている。本研究では、側面情報（side information）を一切用いない極めて低リソースな設定（ユーザー・アイテムレーティング行列のみを前提）において、GLocal-Kモデルを適用した。その結果、ML-100K、ML-1M、Doubanの3つの協調フィルタリングベンチマークにおいて、既存の最先端手法を上回る性能を達成した。