FELRec：推荐系统中通过动态表示学习高效处理物品冷启动
信息检索
2024-10-02 v2 机器学习
摘要
每当新用户加入平台或新物品被加入目录时，推荐系统就会遭受冷启动问题。为解决物品冷启动，我们提议用无可学习权重且可保留任意数量表示的动态存储替换序列推荐器中的嵌入层。在本文中，我们提出 FELRec，一种大型嵌入网络，它随着新信息的出现以递归方式精炼用户和物品的现有表示。与类似方法不同，我们的模型无需侧信息和耗时的微调即可表示新用户和物品，而是对一系列现有表示执行单次前向传播。在物品冷启动期间，我们的方法比类似方法高出 29.50%-47.45%。此外，我们提出的模型在零样本设置下对先前未见过的数据集具有良好的泛化能力。源代码公开于 https://github.com/kweimann/FELRec 。
引用
@article{arxiv.2210.16928,
title = {FELRec: Efficient Handling of Item Cold-Start With Dynamic Representation Learning in Recommender Systems},
author = {Kuba Weimann and Tim O. F. Conrad},
journal= {arXiv preprint arXiv:2210.16928},
year = {2024}
}