ブラー・シャープニングプロセスモデルによるコラボラティブフィルタリング

コラボラティブフィルタリングは、レコメンデーションシステムにおける最も基盤的なトピックの一つである。これまでに、行列因子分解からグラフ畳み込み手法まで、さまざまなコラボラティブフィルタリング手法が提案されてきた。近年のグラフフィルタリングに基づく手法およびスコアベース生成モデル（Score-based Generative Models: SGMs）の成功に触発され、本研究では「ブラー・シャープニングプロセスモデル（Blurring-Sharpening Process Model: BSPM）」という新たな概念を提案する。SGMsとBSPMは、共に元の情報にまず摂動（ノイズの導入）を加え、その後それを元の形に回復するというプロセスを通じて、新たな情報を発見する（たとえばSGMsでは新たな画像が生成される）という共通の処理哲学を持つ。しかし、SGMsと本研究のBSPMは取り扱う情報の種類が異なり、最適な摂動および回復プロセスにおいて根本的な差異が生じる。そのため、BSPMはSGMsとは異なる形式をとる。さらに、本研究の概念は、理論的に多数の既存のコラボラティブフィルタリングモデルを包含するとともに、Gowalla、Yelp2018、Amazon-bookの3つのベンチマークデータセットにおいて、RecallおよびNDCGという指標でそれらを上回る性能を示した。また、本手法の処理時間は、他の高速ベースラインと比較しても同等の水準に留まる。今後の発展として、本研究で用いているブラー（摂動）およびシャープニング（回復）プロセスをより優れたものに設計することで、さらなる性能向上が期待される。