解决组推荐中的极端冷启动问题
信息检索
2022-10-19 v1 社会与信息网络
摘要
向用户组推荐物品的任务（即组推荐）正受到越来越多的关注。然而，推荐系统固有的冷启动问题在组推荐中被放大，因为组与物品之间的交互数据在实践中极为稀缺。大多数现有工作利用组与物品之间的关联来缓解数据稀缺问题。然而，在组与物品之间缺乏关联的极端冷启动场景下，现有方法不可避免地失效。为此，我们设计了一种适用于极端冷启动场景的组推荐模型EXTRE（EXtreme cold-staRt in group REcommendation，组推荐中的极端冷启动）。EXTRE背后的基本思想是利用图卷积神经网络的极限理论建立组与物品之间的隐式关联，且这些关联的推导不需要显式交互数据，从而适用于冷启动场景。EXTRE的训练过程依赖于新定义且可解释的一致性（consistency）与差异性（discrepancy）概念，而非常用的带成对排序的负采样，从而可提升组推荐性能。大量实验验证了所提模型EXTRE的有效性。
引用
@article{arxiv.2210.09672,
title = {Addressing the Extreme Cold-Start Problem in Group Recommendation},
author = {Guo linxin and Tao yinghui and Gao Min and Yu Junliang and Zhao liang and Li Wentao},
journal= {arXiv preprint arXiv:2210.09672},
year = {2022}
}