知識グラフを基盤としたソーシャル強化型説明可能な推薦システム はじめに インターネット情報量の増加に伴い、ユーザーと商品の関連情報も急速に拡大し、情報過多問題が日々深刻化しています。推薦システムはユーザーに対して少量の好みに合った商品を推薦することでこの問題を効果的に緩和できます。それは、ユーザーが迅速に関心のあるコンテンツを見つける手助けとなるだけでなく、企業には精度の高いマーケティングを可能にし、顧客ロイヤルティを向上させます。電子商取引、ソーシャルメディア、検索エンジンなど様々なプラットフォームで、推薦システムの役割はますます重要になっています。 推薦システムの性能は、推薦技術に大いに依存しています。初期の協調フィルタリング（Collaborative Filtering, CF）法は...

ナレッジエンハンスドグラフニューラルネットワークを用いた説明可能な推薦 導入 オンライン情報の爆発的な増加に伴い、推薦システムは情報過多問題を解決するうえで重要な役割を果たしています。従来の推薦システムは通常、ユーザの履歴に基づいて推薦を生成する協調フィルタリング（Collaborative Filtering、以下CF）方法に依存しています。CF方法は主にメモリベースとモデルベースの技術に分かれます。メモリベースの方法にはユーザベースやアイテムベースのCFがあり、モデルベースの方法は行列分解などのモデルを学習して推薦を行います。近年、ディープラーニング技術は情報検索や推薦システムの研究において非常に高い有効性を示しています。多くのディープラーニングに基づく推薦方法が高い推薦性能を達成してい...

忘却に対するロバストな知識追跡のための深層グラフメモリネットワーク 近年、個別学習の重要な方法として知識追跡（KT）が広く注目を集めている。知識追跡は、学生が新しい問題に回答する際の正答率を予測することを目的とし、彼らの過去の問題の回答履歴を利用して知識状態を推定するものである。しかし、現在の知識追跡方法は、忘却行動のモデリングや潜在概念間の関係の識別といった課題に直面している。これらの課題を解決するために、本論文では、新しい知識追跡モデルである深層グラフメモリネットワーク（Deep Graph Memory Network, DGMN）を提案する。本論文では、DGMNモデルの設計、実験過程、および各種データセットにおける性能を具体的に概要する。 研究の背景 知識追跡問題は提案されて以来、教...

多重関係グラフ注意ネットワークに基づく接続埋め込みを用いた知識グラフエンティティタイプ認識 研究背景 今日、知識グラフ（Knowledge Graphs, KGs）は、さまざまなKG駆動型AI関連分野においてますます多くの研究関心を集めています。大規模な知識グラフは豊富で有効な構造化情報を提供し、質問応答システムやウェブ検索のような多数のインテリジェントアプリケーションの核心データリソースとなっています。通常、知識グラフには大量のエンティティタイプ（Entity Typing）インスタンスが含まれており、それはタプル ((e, t)) の形式で存在します。ここで (e) はエンティティ、(t) はその階層的なタイプです。現代の知識グラフ（Freebase、YAGOおよびGoogle Know...

統一大言語モデルと知識グラフ 背景 近年、自然言語処理と人工知能の分野には多くの研究成果が現れており、その中でも大言語モデル（Large Language Models, LLMs）として知られるChatGPTやGPT-4が優れた成果を示しています。しかし、これらのモデルは優れた一般化能力を持ちながらも、そのブラックボックス性から事実知識を効果的に捕捉しアクセスすることが困難とされ批判を受けることも多いです。一方、知識グラフ（Knowledge Graphs, KGs）として知られるWikipediaやHuapuは、構造化形式で大量の事実知識を保存していますが、知識グラフの構築と進化のプロセスは非常に複雑です。そこで、研究者たちは大言語モデルと知識グラフを組み合わせ、それぞれの長所を生かして...

グラフに基づいたサンプリングなしの知識グラフ強化推薦 近年、知識グラフ（Knowledge Graph, KG）を強化した推薦システムは、コールドスタート問題や推薦システムの可解釈性を解決するために、多くの研究者の関心を集めています。既存の推薦システムは、購入履歴などの暗黙のフィードバックに焦点を当てることが多く、負のフィードバックが不足しています。大部分のシステムは暗黙のフィードバックデータを処理するために負のサンプリング戦略を採用していますが、これでは潜在的な正のユーザー-アイテムの相互作用が見過ごされる可能性があります。他の研究ではサンプリングなし戦略を採用し、観察されていない全ての相互作用を負のサンプルと見なして、各負のサンプルに正のサンプルの確率を示す重みを割り当てています。しかし...