双 tale 模型：用于改进长尾物品推荐的对偶迁移学习框架
信息检索
2021-03-09 v2
摘要
高度倾斜的长尾物品分布在推荐系统中非常常见。它显著损害了模型在尾部物品上的性能。为改进尾部物品推荐，我们开展研究将知识从头部物品迁移到尾部物品，利用头部物品中丰富的用户反馈以及头部与尾部物品之间的语义联系。具体而言，我们提出一种新颖的对偶迁移学习框架，联合从模型级和物品级学习知识迁移：1. 模型级知识迁移构建从少样本到多样本模型的模型参数通用元映射。它捕获模型层面的隐式数据增强，以改进尾部物品的表示学习。2. 物品级迁移通过物品级特征连接头部和尾部物品，以确保元映射从头部物品到尾部物品的平滑迁移。这两类迁移被结合，以确保从头部物品学到的知识能在长尾分布设置下很好地应用于尾部物品表示学习。通过在两个基准数据集上的大量实验，结果表明我们提出的对偶迁移学习框架在命中率和 NDCG 上显著优于其他用于尾部物品推荐的最先进方法。同样令人鼓舞的是，我们的框架在尾部物品增益的基础上进一步提升了头部物品和整体性能。
引用
@article{arxiv.2010.15982,
title = {A Model of Two Tales: Dual Transfer Learning Framework for Improved Long-tail Item Recommendation},
author = {Yin Zhang and Derek Zhiyuan Cheng and Tiansheng Yao and Xinyang Yi and Lichan Hong and Ed H. Chi},
journal= {arXiv preprint arXiv:2010.15982},
year = {2021}
}
备注
Accepted by WWW 2021 as a long paper