CARCA：クロスアテンションを用いたコンテキストおよび属性に配慮した次アイテム推薦

スパースなレコメンデーション環境において、ユーザーの文脈情報とアイテムの属性は、次にどのアイテムを推薦すべきかを決定する上で極めて重要な役割を果たす。しかし、近年の順序付きおよび時系列に敏感なレコメンデーション手法では、これら二つの側面を無視するか、あるいは片方のみを考慮する傾向にあり、その結果、予測性能に限界が生じている。本論文では、こうした課題を克服するため、文脈特徴およびアイテム属性に敏感なレコメンデーションモデル（CARCA: Context and Attribute-aware Recommender model）を提案する。CARCAは、ユーザーのプロファイルの動的変化を、プロファイルレベルの特徴を抽出する専用のマルチヘッド自己注意（multi-head self-attention）ブロックを用いて、文脈的特徴およびアイテム属性の両面から捉えることができる。また、現在の最先端の順序付きアイテム推薦手法が、ターゲットアイテムの埋め込みと直近アイテムの潜在特徴間の単純なドット積をスコアリングに用いるのに対し、CARCAは、プロファイル内のすべてのアイテムとターゲットアイテムの間でクロス注意（cross-attention）を導入し、最終的なスコアを予測する。このクロス注意機構により、ユーザープロファイル内の過去のアイテムと最近のアイテムとの相関関係、およびそれらが次の推薦アイテム選定に与える影響を効果的に活用できる。4つの実世界のレコメンデーションシステムデータセットを用いた実験の結果、本モデルはすべての最先端モデルを大きく上回り、正規化された割引累積利益（NDCG）およびヒット率（Hit-Ratio）において最大53%の向上を達成した。さらに、事前学習済みのResNet50から抽出した画像属性をブラックボックス的に利用するのみで、CARCAは複数の最先端の画像ベースのレコメンデーションシステムをも上回る性能を示した。