担当：北澤 拓也
題目：コンテキストを考慮したオンラインアイテム推薦
概要：
eコマースやネット広告の普及に伴い、近年の推薦システムにはオンライン処理によるモデルの逐次更新が要求される。そのため、従来応用されていた特異値分解や Matrix Factorization などの行列分解手法に対しても、既知の分解の効率的な更新が望まれている [1, 2]。また、一方では、『未知のユーザやアイテムに対する推薦』という精度悪化を招く問題に対するアプローチとして、コンテキスト（データの観測時刻やユーザの性別、アイテムのカテゴリなど）を考慮した推薦が近年注目されている [3]。
本発表ではそのような情報推薦に関する背景と近年の取り組みを俯瞰する。さらに具体的な提案として、コンテキストを考慮した推薦を実現する汎化予測モデル Factorization Machines [4] の学習をオンライン推薦アルゴリズムに拡張する。
参考文献：
[1] M. Brand. Fast online SVD revisions for lightweight recommender systems. In Proc. of SDM 2003, pp. 37–46, May 2003.
[2] J. Vinagre et al. Fast incremental matrix factorization for recommendation with positive-only feedback. In Proc. of UMAP 2014, pp. 459–470, July 2014.
[3] L. Bernardi et al. The continuous cold start problem in e-commerce recommender systems. In Proc. of CBRecSys 2015, pp. 30–33, Sep. 2015.
[4] S. Rendle. Factorization machines with libfm. ACM TIST, 3(3), May 2012.
