CoMeta：在推荐冷启动问题中利用协同信息增强元嵌入
信息检索
2023-06-09 v2
摘要
冷启动问题对现有推荐模型极具挑战。具体而言，对于仅有少量交互的新物品，其ID嵌入训练不充分，导致推荐性能不佳。近期一些研究引入元学习，通过为新物品生成元嵌入作为其初始ID嵌入来解决冷启动问题。然而，我们认为这些方法的能力有限，因为它们主要利用仅含少量信息的物品属性特征，而忽略了用户和旧物品ID嵌入中包含的有用协同信息。为解决此问题，我们提出CoMeta，利用协同信息增强元嵌入。CoMeta由两个子模块组成：B-EG和S-EG。具体而言，对于新物品：B-EG计算旧物品ID嵌入的基于相似度的加权和作为其基础嵌入；S-EG不仅利用其属性特征，还利用与其交互过的用户的平均ID嵌入来生成其偏移嵌入。最终元嵌入由基础嵌入与偏移嵌入相加获得。我们在两个公开数据集上进行了大量实验。实验结果证明了CoMeta的有效性与兼容性。
引用
@article{arxiv.2303.07607,
title = {CoMeta: Enhancing Meta Embeddings with Collaborative Information in Cold-start Problem of Recommendation},
author = {Haonan Hu and Dazhong Rong and Jianhai Chen and Qinming He and Zhenguang Liu},
journal= {arXiv preprint arXiv:2303.07607},
year = {2023}
}
备注
This paper was accepted by Knowledge Science, Engineering and Management (KSEM) 2023