从零样本学习到冷启动推荐
计算机视觉与模式识别
2019-06-24 v2 信息检索
摘要
零样本学习(ZSL)和冷启动推荐(CSR)分别是计算机视觉和推荐系统中的两个挑战性问题。通常，它们在不同的研究社区中被独立研究。然而，本文揭示了 ZSL 和 CSR 是同一内涵的两种扩展。例如，两者都试图预测未见类，并涉及两个空间，一个用于直接特征表示，另一个用于补充描述。但目前尚无从 ZSL 视角处理 CSR 的现有方法。本工作首次将 CSR 形式化为 ZSL 问题，并提出了一种量身定制的 ZSL 方法来处理 CSR。具体地，我们提出了低秩线性自编码器(LLAE)，在本文中应对三个难题，即域偏移、伪相关和计算效率。LLAE 由两部分组成：一个低秩编码器将用户行为映射为用户属性，一个对称解码器从用户属性重建用户行为。在 ZSL 和 CSR 任务上的大量实验验证了所提方法是一种双赢形式化，即不仅 CSR 可由 ZSL 模型处理且相比若干常规 SOTA 方法取得显著性能提升，而且 CSR 的考量也能惠及 ZSL。
引用
@article{arxiv.1906.08511,
title = {From Zero-Shot Learning to Cold-Start Recommendation},
author = {Jingjing Li and Mengmeng Jing and Ke Lu and Lei Zhu and Yang Yang and Zi Huang},
journal= {arXiv preprint arXiv:1906.08511},
year = {2019}
}
备注
Accepted to AAAI 2019. Codes are available at https://github.com/lijin118/LLAE