面向流式推荐的双侧混合专家模型
信息检索
2020-09-15 v1
摘要
流式推荐系统（SRSs）通常仅在新接收的数据上训练推荐模型，以解决用户偏好漂移（即用户对物品偏好的变化）。然而，这种做法忽视了历史数据中嵌入的长期用户偏好。更重要的是，数据流中常见的异质性极大降低了流式推荐的准确率。其原因在于，不同类型用户（或物品）的不同偏好（或特征）无法被统一模型很好地学习。为解决这两个问题，我们提出一种基于变分与蓄水池增强采样的双侧混合专家框架，称为VRS-DWMoE，以提升流式推荐的准确率。在VRS-DWMoE中，我们首先设计变分与蓄水池增强采样，以历史数据明智地补充新数据，从而在捕捉长期用户偏好的同时解决用户偏好漂移问题。之后，我们提出双侧混合专家（DWMoE）模型，首先有效学习异质性的用户偏好与物品特征，并基于它们做出推荐。具体而言，DWMoE包含两个混合专家（MoE，一种有效的集成学习模型），分别学习用户偏好与物品特征。此外，每个MoE中的多个专家学习不同类型用户（或物品）的偏好（或特征），其中每个专家专攻一种潜在类型。大量实验表明VRS-DWMoE持续优于最先进的SRSs。
引用
@article{arxiv.2009.06327,
title = {Double-Wing Mixture of Experts for Streaming Recommendations},
author = {Yan Zhao and Shoujin Wang and Yan Wang and Hongwei Liu and Weizhe Zhang},
journal= {arXiv preprint arXiv:2009.06327},
year = {2020}
}
备注
This paper was accepted by the 21st International Conference on Web Information Systems Engineering (WISE 2020)