推荐系统中的深度元学习：综述
信息检索
2022-06-10 v1
摘要
近年来，基于深度神经网络的推荐系统作为信息过滤技术取得了巨大成功。然而，由于从零开始训练模型需要充足的数据，基于深度学习的推荐方法仍面临数据不足和计算效率低的瓶颈。元学习作为一种新兴范式，旨在提升算法的学习效率和泛化能力，在解决数据稀疏问题方面已展现出优势。最近，越来越多关于深度元学习推荐系统的研究涌现，用于在可用数据有限的推荐场景（如用户冷启动和物品冷启动）下提升性能。因此，本综述对当前基于深度元学习的推荐方法进行了及时且全面的概述。具体而言，我们提出了一个分类体系，根据推荐场景、元学习技术和元知识表示来讨论现有方法，从而为基于元学习的推荐方法提供设计空间。针对每个推荐场景，我们进一步讨论了现有方法如何应用元学习来提升推荐模型泛化能力的技术细节。最后，我们也指出了当前研究中的若干局限，并强调了该领域未来研究的一些有前景的方向。
引用
@article{arxiv.2206.04415,
title = {Deep Meta-learning in Recommendation Systems: A Survey},
author = {Chunyang Wang and Yanmin Zhu and Haobing Liu and Tianzi Zang and Jiadi Yu and Feilong Tang},
journal= {arXiv preprint arXiv:2206.04415},
year = {2022}
}