面向分布外推荐系统的双向测试时训练
信息检索
2025-03-13 v2 机器学习
摘要
深度学习已在推荐系统中广泛应用，近年来取得了突破性进展。然而，大多数现有基于学习的方法假设训练阶段和测试阶段的用户、物品分布保持不变。然而，在现实场景中，用户和物品特征的分布会自然发生偏移，可能导致推荐性能显著下降。将这一现象表述为分布外（Out-Of-Distribution, OOD）推荐问题。为解决此挑战，我们提出了面向 OOD 推荐的双向测试时训练框架，称为 DT3OR。在 DT3OR 中，我们在测试时阶段融入模型适应机制，精细更新推荐模型，使其能够针对变化的用户和物品特征进行特殊适应。具体而言，我们提出自蒸馏任务和对比任务，以辅助模型在测试时阶段学习用户不变的兴趣偏好及变化的用户/物品特征，从而实现平滑适应。此外，我们提供理论分析以支撑双向测试时训练框架的设计逻辑。据我们所知，本文是首个通过测试时训练策略解决 OOD 推荐问题的工作。我们在三个数据集上进行实验，采用多种主干网络。全面的实验结果表明，DT3OR 在其他最先进基线方法上的效果显著优于它们。
引用
@article{arxiv.2407.15620,
title = {Dual Test-time Training for Out-of-distribution Recommender System},
author = {Xihong Yang and Yiqi Wang and Jin Chen and Wenqi Fan and Xiangyu Zhao and En Zhu and Xinwang Liu and Defu Lian},
journal= {arXiv preprint arXiv:2407.15620},
year = {2025}
}