CMML：面向冷启动推荐的上下文调制元学习

当历史中观测到的用户-物品交互不足时，实际推荐系统会遭遇冷启动问题。元学习，尤其是基于梯度的元学习，可用于解决此问题，通过学习模型的初始参数，从而能够从有限数据样本快速适应特定任务。尽管性能提升显著，但它通常存在两个关键问题：与主流工业部署不兼容以及计算负担重，两者均源于内循环梯度操作。这两个问题使其难以应用于实际推荐系统。为享受元学习框架的优势并缓解这些问题，我们提出一种称为上下文调制元学习（CMML）的推荐框架。CMML 完全由前馈操作构成，因此计算高效且与主流工业部署完全兼容。CMML 包含三个组件：一个能生成上下文嵌入以表示特定任务的上下文编码器，一个将特定用户-物品特征与任务级上下文聚合的混合上下文生成器，以及一个能调制推荐模型以有效适应的上下文调制网络。我们在多种真实世界数据集上，针对场景特定和用户特定的冷启动设置验证了我们的方法，结果表明 CMML 能够达到与基于梯度方法相当甚至更好的性能，同时具有更高的计算效率和更好的可解释性。