通过模型无关的条件变分自编码器改进物品冷启动推荐
信息检索
2022-05-30 v1
摘要
Embedding & MLP已成为现代大规模推荐系统的范式。然而，该范式受冷启动问题困扰，将严重损害推荐系统的生态健康。本文试图利用历史数据和有限交互记录为冷物品生成增强的预热ID嵌入，以应对物品冷启动问题。从工业实践角度，我们主要关注物品冷启动的以下三点：1）如何在不额外数据需求的情况下进行冷启动，并使策略易于部署于在线推荐场景。2）如何利用新物品的历史记录与持续涌现的交互数据。3）如何从交互数据中稳定建模物品ID与侧信息之间的关系。为解决这些问题，我们提出了一种模型无关的条件变分自编码器推荐（CVAR）框架，具有兼容多种骨干网络、无需额外数据需求、利用历史数据与近期涌现交互等优势。CVAR使用潜变量学习物品侧信息的分布，并通过条件解码器生成理想的物品ID嵌入。所提方法在公开数据集上的大量离线实验与腾讯新闻推荐平台的在线A/B测试中进行了评测，进一步说明了CVAR的优势与鲁棒性。
引用
@article{arxiv.2205.13795,
title = {Improving Item Cold-start Recommendation via Model-agnostic Conditional Variational Autoencoder},
author = {Xu Zhao and Yi Ren and Ying Du and Shenzheng Zhang and Nian Wang},
journal= {arXiv preprint arXiv:2205.13795},
year = {2022}
}
备注
6 pages, 2 figures, accepted as SIGIR 2022 short paper