基于跨语言迁移的小样本新闻推荐

冷启动问题在推荐系统中已被广泛认识，并遵循一个通用思路进行研究：利用热用户的丰富交互记录来推断冷用户的偏好。然而，这些方案的性能受限于可用热用户记录的数量。因此，基于少数用户的少量交互记录构建推荐系统，对于冷门或早期阶段的推荐平台仍是一个具有挑战性的问题。本文基于两个观察聚焦于解决新闻推荐中的小样本推荐问题。首先，不同平台（甚至不同语言）的新闻可能共享相似主题。其次，用户对这些主题的偏好是可跨平台迁移的。因此，我们提出通过将从多样本源域的用户-新闻偏好迁移到小样本目标域来解决小样本新闻推荐问题。为了桥接两个甚至不同语言且没有任何重叠用户与新闻的域，我们提出了一种新颖的无监督跨语言迁移模型作为新闻编码器，以对齐两域中语义相似的新闻。在对齐的新闻编码之上构建用户编码器，并将用户偏好从源域迁移到目标域。在两个真实世界新闻推荐数据集上的实验结果表明，与基线相比，我们提出的方法在解决小样本新闻推荐上具有优越性能。