ADER：面向会话推荐持续学习的自适应蒸馏样本回放方法

由于隐私问题日益受到关注，基于会话的推荐近期获得了越来越多的关注。尽管神经会话推荐器近来取得了成功，它们通常是以离线方式使用静态数据集开发的。然而，推荐需要持续适应以考虑新旧物品与用户，并在实际应用中需要“持续学习”（continual learning）。在此情形下，推荐器利用每个更新周期到达的新数据持续定期更新，且更新后的模型需要在下一次模型更新前为用户活动提供推荐。神经模型持续学习的一个主要挑战是灾难性遗忘，即持续训练的模型遗忘其先前学到的用户偏好模式。为应对该挑战，我们提出一种称为自适应蒸馏样本回放（ADER）的方法，通过周期性地将先前的训练样本（即样本 exemplars）以自适应蒸馏损失回放至当前模型。实验基于最先进的 SASRec 模型，使用两个广泛使用的数据集将 ADER 与若干知名持续学习技术进行基准比较。我们实证表明 ADER 始终优于其他基线，甚至优于在每个更新周期使用全部历史数据的方法。该结果揭示 ADER 是缓解灾难性遗忘问题、构建更真实且可扩展的会话推荐器的一个有前景的方案。