読者です 読者をやめる 読者になる 読者になる

勤労に対して感謝は無い

日曜日 a.k.a 休日の最終日. 日本は水曜日に勤労に感謝する日らしい. 私は国外にいるし,勤労に対して感謝することなど無いので休みではない.

今日は料理をやった. クッキーを焼いたり,きんぴらにんじんを作ったり,大根を余ったひき肉と一緒に調理したりした*1. きんぴらにんじんを食べながらたまにはごぼうを食べたいなと思った. ごぼうはこの地では見たことが無い.記憶している限りではアジア系スーパーでも見たことがない. きんぴらごぼう,ぶり大根と一緒に煮込んだごぼう,ごぼうと人参のかき揚げどれも好きだ. 帰国したら食べようと思う.

f:id:jz_trunk:20161121053207j:plain

薄力粉が手に入らず,サクサクというよりはしっとりしたクッキーになった.木とか家とかジンジャーマンとか,クリスマス仕様である.

夜は文献を読んだりして過ごしたが,またあまり実りのない週末であった. 来週は少しプレゼンのための情報集めや練習をしたほうが良いだろう. あとはもう少しジャヴァスクリプトを進歩させたい.それにしても今になってウェッブ系言語を触ることになるとは思わなかった. とはいえ,せっかくなのである程度自由に使えるようにはするつもりだ(こうしてちゃんとは使えない言語のリストにまた1つ要素が追加されるのであった).

echizen-tm.hatenablog.com を参考に同論文を軽く読んでみた.

テクニカルには入力データをpreferenceとconfidenceに分解するようなモデルを利用しているところが良いところだ. このことによって,レーティングデータのようにユーザの選好度に直結したデータでなくても,データからユーザ,アイテムの特徴ベクトルを学習することが可能となっている. よく使われるNMFのような非負制約も入れられて無いので,片方の行列を固定すれば,もう片方の行列の更新則は閉じた形で書ける. これを利用して交互に最適化を行っている*2

レーティングデータの良い点はMatrix FactorizationによりアイテムAを高評価し,アイテムBを低評価したユーザはアイテムCを高評価するというような特徴ベクトルが得られる点である. そして実際にはまだ評価していないが高評価をしそうなアイテムを推薦し,低評価しそうなアイテムは推薦しないというのが基本アイディアである. ただし,ユーザは怠慢なので必ずしもアイテムに対する評価を与えない. そこで,その他のより得やすいデータから推薦を行うというのがimplicit feedbackのモチベーションのようだ. ただ,上記モデルでも最終的に得られるものはユーザベクトルおよびアイテムベクトル,そしてその内積によって推定されるpreferenceであるので,推薦するorしないの決定を行うためには閾値を問題設定ごとに変えなくてはいけないはず(そこはあまり重要では無いとは思うが). 個人的には入力データを分解するモデルというのが斬新だった.考え方を頭の中に入れておこうと思う.

あとの時間は音楽を聞いた.音楽が好きだ.人のコンテンツの消費に過ぎないといえばそうなのだけれど,それでも好きだ. 生きている限り良いと言われる音楽を聴きたいと思う*3. ここ数年は何かをしながら音楽を聞いてばかりだったが,もう少し音楽と向き合っても良いかもしれないと思った. 他のことは何もせず,音楽を聞く.コンサートにでも行かないとこんな時間はなかなか持てない. しかし時間を持て余した休日なら音楽を聞くことに捧げても良いかもしれない.

そういえば次の金曜日は日本企業のつどいがあるようだが,もう行かなくてもよいかと思っている. 最年少メンバーとしては肩身が狭いし,行ってもご飯を食べるくらいしかやることがない *4. 明日からはまた5労の予定だ.なんとかやっていくしかない.つらい.

今日の音楽

*1:構成上nだけど投稿時に気づいた

*2:調べていないが,NonNegative版もあると思われる

*3:それ自体は生きる動機にはならないが

*4:そのような心地よくない場では飲酒も控えるようにしている