シーケンシャル推薦のためのテスト時拡張の探索と調整 | JoVE Visualize

科学分野:

人工知能
機械学習
推薦システム

背景:

データ拡張は、シーケンシャル推薦（SR）におけるデータスパース性に対処するために不可欠です。
既存のトレーニング時拡張手法は、適切にトレーニングされたモデルに対して、コストのかかる再トレーニングまたはアーキテクチャの変更を必要とします。
テスト時拡張（TTA）は、推論中にデータを拡張することで、トレーニングのオーバーヘッドを回避する有望な代替手段を提供します。

研究の目的:

シーケンシャル推薦（SR）に対するテスト時拡張（TTA）の効果を調査すること。
既存の拡張演算子のTTAにおける限界を特定し、新しいソリューションを提案すること。
広範な再トレーニングなしでSRパフォーマンスを向上させる、効率的で汎用性の高いTTA手法を開発すること。

主な方法:

SRにおけるTTAの既存の拡張演算子（置換、マスク）を実験的に評価しました。
既存の演算子の限界に対処するために、TNoise（一様ノイズ注入）とTMask（マスクトークン処理）を導入しました。
データ多様性の向上（一様比率サンプリング）とシーケンス長の適応（短いシーケンスの平滑化/延長、長いシーケンスの閾値処理）のための戦略を実装しました。

主要な成果:

置換およびマスク演算子は、適切な摂動でシーケンシャルパターンを維持しながら、TTAの可能性を示しました。
TNoiseとTMaskは、さまざまなSRシナリオで有効性、効率性、および一般化可能性を実証しました。
提案手法は、データ多様性を向上させ、短いシーケンスと長いシーケンスの両方でパフォーマンス低下を軽減しました。

結論:

テスト時拡張（TTA）は、シーケンシャル推薦モデルを強化するための実行可能で効率的なアプローチです。
提案されたTNoiseおよびTMask手法は、シーケンス長の適応戦略とともに、SRパフォーマンスを大幅に向上させます。
この研究は、モデルの再トレーニングを必要とせずにSRでデータ拡張を活用するための実用的なソリューションを提供します。