| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2026-03-05 11:10 複数特徴量に基づくパーソナライズ推薦のための保証付きベクトル相関制御 ○山下剛志・金子晋丈（慶大）  IN2025-80 |
|
| 抄録 | （和） | パーソナライズ推薦の一形態として，アイテムの人気度やジャンル，タグといった複数の特徴量ベクトルとの相関によってユーザの嗜好を表現し，その嗜好を反映する形で推薦ベクトルを補正することが考えられる．このような環境では，推薦ベクトルと各特徴量ベクトルのコサイン類似度がユーザの指定する特定の値になることが重要である．既存研究では，人気バイアスの制御といった形で単一の特徴量に限定する形で相関制御が検討されており，パーソナライズサービスに不可欠な複数要素を同時に考慮することができていない．そこで本研究では，既存研究で検討されてきた線形結合ベースの相関制御を複数次元に拡張することを提案する．線形結合の係数は解析的に求められ，その計算量は特徴量数を$m$，総アイテム数を$n$とすると (一般に$n gg m$)，$mathrm{O}(nm^2+m^3)$ であり，アイテム数の増加に対して線形のスケーラビリティが担保される．評価では，$m=5$, $n=10^7$の設定において推薦ベクトルを4秒程度で計算できることが明らかになった． |
| （英） | One viable approach to personalized recommendations is expressing user preferences through correlations with multiple feature vectors, such as item popularity, genre, and tags, and then adjusting the recommendation vector to reflect those preferences. In this context, it is crucial that the cosine similarity between the recommendation vector and each feature vector aligns with a user-specified values. Previous studies have examined correlation control by limiting it to a single feature vector, such as controlling popularity bias. However, and they cannot consider multiple feature vectors simultaneously, which is essential for the personalized services. Therefore, this research proposes extending the linear combination-based correlation control to multiple dimensions. The coefficients of the linear combination can be determined analytically. The computational complexity, where $m$ is the number of features and $n$ is the total number of items (generally $n gg m$), is $mathrm{O}(nm^2+m^3)$, ensuring linear scalability as the number of items increases. Evaluation revealed that recommendation vectors can be computed in approximately 4 seconds, with settings of $m=5$ and $n=10^7$. | |
| キーワード | （和） | パーソナライズ / 推薦 / 相関制御 / / / / / |
| （英） | Personalization / Recommendation / Correlation Control / / / / / | |
| 文献情報 | 信学技報, vol. 125, no. 386, IN2025-80, pp. 106-111, 2026年3月. | |
| 資料番号 | IN2025-80 | |
| 発行日 | 2026-02-25 (IN) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | IN2025-80 |
|
| 研究会情報 | |
| 研究会 | IN NS |
| 開催期間 | 2026-03-04 - 2026-03-06 |
| 開催地（和） | 沖縄県市町村自治会館 |
| 開催地（英） | Okinawa-Ken Shichoson Jichi Kaikan |
| テーマ（和） | 一般 |
| テーマ（英） | General |
| 講演論文情報の詳細 | |
| 申込み研究会 | IN |
| 会議コード | 2026-03-IN-NS |
| 本文の言語 | 日本語 |
| タイトル（和） | 複数特徴量に基づくパーソナライズ推薦のための保証付きベクトル相関制御 |
| サブタイトル（和） | |
| タイトル（英） | Guaranteed Vector Correlation Control for Personalized Recommendation Based on Multiple Features |
| サブタイトル（英） | |
| キーワード(1)（和/英） | パーソナライズ / Personalization |
| キーワード(2)（和/英） | 推薦 / Recommendation |
| キーワード(3)（和/英） | 相関制御 / Correlation Control |
| キーワード(4)（和/英） | / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 山下 剛志 / Tsuyoshi Yamashita / ヤマシタ ツヨシ |
| 第1著者 所属（和/英） | 慶應義塾大学 (略称： 慶大) Keio University (略称： Keio Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 金子 晋丈 / Kunitake Kaneko / カネコ クニタケ |
| 第2著者 所属（和/英） | 慶應義塾大学 (略称： 慶大) Keio University (略称： Keio Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-03-05 11:10:00 |
| 発表時間 | 25分 |
| 申込先研究会 | IN |
| 資料番号 | IN2025-80 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.386 |
| ページ範囲 | pp.106-111 |
| ページ数 | 6 |
| 発行日 | 2026-02-25 (IN) |
[研究会発表申込システムのトップページに戻る]