機械学習手法推薦のためのクロスモーダル知識グラフ対照学習

機械学習（ML）手法の爆発的な成長は、学習タスクの選択肢でユーザーを圧倒しています。手法推薦は、特定の学習タスクに最も適したML手法を選定することでこの問題を緩和することを目的としています。最近の研究では、知識グラフ（KG）の記述的および構造的情報がML手法推薦の性能を大幅に向上させることが示されています。しかし、既存の研究ではKGにおける記述的情報を十分に探求しておらず、必要な監督を提供するために記述的および構造的情報を効果的に活用していません。これらの制限に対処するために、我々はKGの伝統的な関係から記述的属性を区別し、他を構造的接続として扱いKGの記述的情報の範囲を拡大します。この洞察に基づき、記述的属性と構造的接続からの情報を2つのモーダリティと見なすクロスモーダル知識グラフ対照学習（CKGC）アプローチを提案します。CKGCは、記述的ビューと構造的ビュー間の合意を最大化することで、情報豊かなノード表現を学習します。多数の実験を通じて、CKGCが最先端のベースラインを大幅に上回り、既存の最良のアプローチと比較して約2%高い正確なクリック率（CTR）予測、30%以上正確なトップ10推薦、50%以上正確なトップ20推薦を達成することを示します。