AI用語集
人工知能の完全辞典
ディープラーニング推薦システム
ユーザーとアイテム間の複雑な関係をモデリングするために深層ニューラルネットワークを使用する推薦システム。これらのシステムは、データ内の非線形相互作用と潜在パターンを捉えることで、従来の手法を上回ります。
埋め込み層
スパースなカテゴリ変数を低次元の密なベクトルに変換するニューラルネットワーク層。埋め込みは、連続ベクトル空間においてアイテムとユーザー間の意味的類似性を捉えます。
ニューラル協調フィルタリング
ユーザーとアイテムの相互作用をモデリングするために、従来の因子分解モデルを深層ニューラルネットワークに置き換えるニューラルネットワークアーキテクチャ。NCFは単純な行列乗算を超えて複雑な相互作用関数を学習します。
ワイド＆ディープラーニング
記憶のために幅広いモデル（ロジスティック回帰）と、一般化のために深層モデル（ニューラルネットワーク）を組み合わせたハイブリッドアーキテクチャ。このアプローチは、データ内の明示的および暗黙的なパターンの両方を効果的に捉えます。
DeepFM（深層因子分解マシン）
因子分解マシンとニューラルネットワークを統合し、低次元と高次元の特徴を同時に学習するモデル。DeepFMはFMとDNNコンポーネント間で埋め込みを共有し、効率と性能を最適化します。
推薦のためのオートエンコーダ
協調フィルタリングのためにユーザーの嗜好の圧縮表現を学習する教師なしニューラルネットワーク。デノイジングオートエンコーダは、スパースでノイズの多いデータを扱うのに特に効果的です。
セッションベースの推薦
ユーザーセッション内の相互作用シーケンスをモデリングするために、再帰的ニューラルネットワーク（RNN）を使用する推薦システム。これらのモデルは、履歴ユーザープロファイルを必要とせずに時間的および文脈的意図を捉えます。
推薦のためのグラフニューラルネットワーク
推薦システムをユーザー、アイテム、および属性ノードを持つ異種グラフとして表現するアプローチ。GNNは、高次の関係を捉えるためにグラフ構造を通じて情報を伝播します。
推薦におけるアテンションメカニズム
推薦モデルが現在の予測に対する関連性に応じて履歴アイテムを異なる重み付けする仕組み。アテンションはシーケンシャル推薦とコンテキスト推薦のパフォーマンスを大幅に向上させます。
推薦のためのトランスフォーマーモデル
マルチヘッドアテンションメカニズムに基づくアーキテクチャで、ユーザー行動シーケンスにおける長距離の依存関係をモデル化します。トランスフォーマーは複雑で動的なパターンの捉え方でRNNを上回ります。
ツータワーアーキテクチャ
ユーザー特徴とアイテム特徴を共通の埋め込み空間にエンコードするための分離されたタワーを持つデュアルモデル。このアーキテクチャはアイテム埋め込みの事前計算により、数百万のアイテムに対して効率的にスケールします。
シーケンシャル推薦モデル
インタラクションの時系列シーケンスを通じてユーザーの嗜好の動的進化を捉える深層学習モデル。これらのアーキテクチャはRNN、トランスフォーマー、またはGNNを使用してシーケンシャルな依存関係をモデル化します。
ディープクロスネットワーク
特徴間の任意の次数の明示的な交差相互作用を効率的に学習するよう特別に設計されたアーキテクチャ。DCNは、一般化のために効率的な交差層と深層層を組み合わせます。
推薦のための変分オートエンコーダ
堅牢な推薦のためにユーザー嗜好の潜在分布を学習する確率的生成モデル。VAEは不確実性を自然に処理し、推薦の多様性を向上させます。
推薦のための強化学習
推薦を長期的報酬を最適化するマルコフ決定プロセスとして定式化するアプローチ。RLエージェントは持続的なユーザーエンゲージメントを最大化する適応的推薦ポリシーを学習します。
推薦のためのマルチタスク学習
一般化と効率を向上させるために複数の目標（CTR、CVR、セッション時間）を同時に学習するパラダイム。MTLは表現を共有しながら特定のタスクを専門化します。
ディープラーニングのコールドスタート問題
メタデータとニューラルネットワークを使用して初期埋め込みを生成するディープラーニングアーキテクチャによって対処される課題。転移学習モデルとコンテンツグラフ上のGNNが特に効果的です。
ニューラル因子分解マシン
特徴間の複雑な非線形相互作用を捉えるためにニューラルネットワークを統合した因子分解マシンの拡張。NFMはFMの効率性とディープラーニングの表現力を組み合わせています。