面向冷启动推荐的多源域多样偏好增强方法

随着用户与物品的快速增长，冷启动问题对提供精准推荐变得愈发具有挑战性。大多数现有方法试图通过基于辅助信息的感知内容推荐和/或基于迁移学习的跨域推荐来解决这些棘手问题。它们的性能常受限于极度稀疏的用户-物品交互、不可用的侧信息或非常有限的域共享用户。近来，通过对标签加噪进行元增强的元学习器已被证明能有效避免过拟合，并在新任务上表现出良好性能。受元增强思想启发，本文将用户对物品的偏好视为一个任务，提出一种基于元学习的多源域多样偏好增强框架（称为MetaDPA），以i）在感兴趣的新域（即目标域）中生成多样评分以处理稀疏交互下的过拟合，以及ii）通过元学习方案在目标域中学习偏好模型以缓解冷启动问题。具体而言，我们首先通过双条件变分自编码器进行多源域适配，并对潜表示施加多域信息最大化（MDI）约束以学习域共享与域特定的偏好属性。为避免过拟合，我们对解码器输出施加互斥（ME）约束以在给定内容数据下生成多样评分。最后，这些生成的多样评分与原始评分被引入元训练过程以学习偏好元学习器，从而在冷启动推荐任务上产生良好的泛化能力。在真实世界数据集上的实验表明，我们提出的MetaDPA明显优于当前最先进的基线。