通过可调随机门在深度混合推荐器中实现冷物品集成
信息检索
2021-12-15 v1 人工智能
机器学习
摘要
协同过滤方法的一个主要挑战是如何为冷物品（无评分的物品）生成推荐，或将冷物品集成到现有目录中。多年来，人们提出了各种混合推荐模型，通过利用物品的元数据与内容及其评分或使用模式来解决此问题。在这项工作中，我们希望重新审视冷启动问题，以引起对一个被忽视的挑战的关注：能够集成并平衡（常规）热门物品与完全冷物品之间的关系。在这种情况下，出现了两个不同的挑战：（1）在热门物品上保持高质量性能，同时（2）学习将冷物品推广给相关用户。首先，我们表明这两个目标实际上是冲突的，且它们之间的平衡取决于业务需求和手头的应用。接下来，我们提出了一种新颖的混合推荐算法，它弥合了这两个冲突的目标，并实现了在保持热门物品高精度的同时有效推广完全冷物品的和谐平衡。我们在电影、应用和文章推荐上展示了所提算法的有效性，并提供了冷-热权衡的实证分析。
引用
@article{arxiv.2112.07615,
title = {Cold Item Integration in Deep Hybrid Recommenders via Tunable Stochastic Gates},
author = {Oren Barkan and Roy Hirsch and Ori Katz and Avi Caciularu and Jonathan Weill and Noam Koenigstein},
journal= {arXiv preprint arXiv:2112.07615},
year = {2021}
}