基于对抗变分自编码器预热的物品冷启动推荐
信息检索
2023-03-01 v1 人工智能
机器学习
摘要
随机初始化的物品ID嵌入与训练良好的热物品ID嵌入之间的差距，使得冷物品难以适配在 historical 热物品数据上训练的推荐系统。为缓解新物品推荐的性能下降，新物品ID嵌入的分布应接近历史热物品的分布。为实现此目标，我们提出一种对抗变分自编码器预热模型（AVAEW）来为冷物品生成预热物品ID嵌入。具体而言，我们开发了条件变分自编码器模型，以利用物品的侧信息生成预热物品ID嵌入。特别地，我们引入对抗模块来强制预热物品ID嵌入分布与历史物品ID嵌入分布之间的对齐。我们通过在公开数据集上的大量离线实验以及真实大规模新闻推荐平台上的在线A/B测试，证明了所提方法的有效性与兼容性。
引用
@article{arxiv.2302.14395,
title = {Item Cold Start Recommendation via Adversarial Variational Auto-encoder Warm-up},
author = {Shenzheng Zhang and Qi Tan and Xinzhi Zheng and Yi Ren and Xu Zhao},
journal= {arXiv preprint arXiv:2302.14395},
year = {2023}
}