[2023/06/14]推薦・機械学習勉強会

[hakubishin3]

Why

推薦・機械学習勉強会は、推薦や機械学習、その周辺技術を通じてサービスを改善することにモチベーションのある人達の集まりです。ニュースやブログから論文まで、気になったものについてお互い共有しましょう！

発信のため、ここは public にしてあります。外部からの参加をご希望の方は樋口(https://twitter.com/zerebom_3) まで DM を送るか、Wantedly Visit の募集（https://www.wantedly.com/projects/391912） よりご連絡ください！

What

Wantedly では隔週水曜日に

• 推薦の評価指標について議論したい
• 〇〇っていうライブラリ / フレームワークを導入してみたい
• 他社の基盤事例をみんなにシェアして自社の基盤開発に活かしたい
• もっと推薦を良くするためにどんなものが必要か議論したい

といった話をする「推薦・機械学習勉強会」を開催しています。
この ISSUE はその会で話すネタを共有するための場所です。

話したいことがある人はここにコメントしましょう！
会の間に話した内容もここにメモしましょう！

prev: #198

[takashi-miyamoto-naviplus]

“Identifying New Podcasts with High General Appeal Using a Pure Exploration Infinitely-Armed Bandit Strategy”, Recsys 2022

資料はここに -> https://github.com/tmiya/tmiya.github.io/blob/main/paper_reading/20230614.pdf

[Hayashi-Yudai]

More-efficient approximate nearest-neighbor search

Amazonのブログ記事。kNNの性能を向上させたという論文の紹介がされている。
近似最近傍探索アルゴリズムではよくグラフ構造が利用される。予め探索候補を使ってグラフ構造を構築しておき、クエリがきたときにそのグラフ構造を逐次的に探索して最近傍点を見つける。

従来：どのようなグラフ構造を構築すれば最もステップ数を少なく探索を終えられるか
提案手法(FINGER)：クエリと候補点の距離をどうやったら高速に計算できるか

探索の中心(c)となるグラフ上の点を基底として分解すると探索先(d)とクエリ(q)の間の距離を効率的に計算できることを示した。

論文より引用

最終項以外は事前計算できる。最終項は実質クエリとターゲットの間の角度で、これは高速に近似できるらしい。

[nogawanogawa]

Calibrated Recommendations as a Minimum-Cost Flow Problem

論文URL

https://abdollahpouri.github.io/assets/docs/wsdm2023.pdf

著者

Himan Abdollahpouri, Zahra Nazari, Alex Gain, Clay Gibson, Maria Dimakopoulou, Jesse Anderton, Benjamin Carterette, Mounia Lalmas, Tony Jebara

会議

WSDM '23

背景

近年の推薦システムでは、推薦リストにおいてユーザの様々な（過去の）関心領域が、それぞれの割合で反映されることを保証するキャリブレーションが注目されている。

推薦リストは、ユーザーの持つ少数派の興味が蔑ろにされたり、全体的に人気のあるアイテムに支配されたりすることが多い。

先行研究でキャリブレーションは、貪欲法によって考慮されているが、これは現実的な時間内に解を求める保証ができない。また、一般的にキャリブレーションは推薦自体の精度劣化を引き起こすことがわかっている

目的

• キャリブレーションされたレコメンデーションが、最大フロー最適化問題にキャストできることを立証する

アプローチ

• キャリブレーションを現実的な時間内で計算することが可能なことを示し、キャリブレーション後の推薦が目的を達成していることを示す
  • グラフでモデル化

評価

キャリブレーションしつつ、他の手法と比べて精度劣化を抑えられた

memo

nogawanogawa/paper_memo#88

[hakubishin3]

Shopify プロダクトマネージャーによる対話型UX構築のポイント

7つの方針

• Keep it simple: 対話のゴールを1つにする
• Respect the medium: ユーザーの入力が必要最小限になることを意識して、対話よりも効率的な手段があるならそれを選ぶこと
• Be proactive: 提案型であること
• Context is key: ユーザーや過去の会話を活用して信頼の喪失を防ぐこと
• Obsess about language: ボットのパーソナリティに沿った一貫した応答をすること
• Don't pretend your bot is human: 人間を演じないこと（期待値をあげない？）
• Build in a feedback loop: ボットの提案に対するフィードバックを得ること

5つの構成要素

ユーザーがボットとエンゲージし会話を終了するまでにの、対話の体験を構成するもの。

• Welcome message: ユーザーとボットの接点となる最初のメッセージ
• Feel like real conversation: 自然な対話行為
• Verified responses: わからない場合、確信が持てない場合の確認
• Gracefulending and exit scenario: 対話の終了点を明確にする
• Have a "catch all" state: 想定しない状況に陥った時の対処方法

[zerebom]

2023年度人工知能学会全国大会 (JSAI2023) チュートリアル「解釈可能な機械学習 〜説明は人のためか〜」

• JSAI2023チュートリアルの解釈可能な機械学習(XAI)に関する資料
• XAIのカテゴリ分類, 代表的な手法, 説明性の評価方法など包括的にまとめられています