: シーケンシャル推薦のためのハイブリッドアソシエーションモデル

シーケンシャル推薦は、ユーザーの購入/評価の軌跡を考慮し、ユーザーが最も購入/レビューする可能性の高い次の数アイテムを特定し、推薦することを目的としています。これは、さまざまな選択肢の中からお気に入りのアイテムを選択するのを支援する効果的なツールとなります。本原稿では、シーケンシャル推薦を生成するためのハイブリッドアソシエーションモデル（HAM）を開発しました。これには、1) ユーザーの長期的な嗜好、2) ユーザーの最近の購入/評価における高次および低次のシーケンシャルアソシエーションパターン、3) それらのアイテム間の相乗効果の3つの要素が含まれます。HAMは、アソシエーションのセットを表現するためにシンプルなプーリングを使用し、任意の次数のアイテム間の相乗効果を表現するために要素ごとの積を使用します。私たちは、3つの異なる実験環境における6つの公的ベンチマークデータセットで最新の最先端手法とHAMモデルを比較しました。実験結果は、HAMモデルがすべての実験環境で最先端の手法を大幅に上回ることを示しています。改善度は最大46.6%です。さらに、テストにおける実行時間のパフォーマンス比較では、HAMモデルが最先端手法よりもはるかに効率的であり、最大139.7倍の速度向上を実現できることが示されました。