基于梯度适应的跨越时间推荐方法
信息检索
2021-12-30 v2 机器学习
摘要
现代推荐系统需要适应用户偏好与物品流行度的变化。此类问题被称为时间动态问题，是推荐系统建模的主要挑战之一。与流行的循环建模方法不同，我们提出一种名为 LeapRec 的新方案，通过基于轨迹的元学习对时间依赖关系建模，以解决时间动态问题。LeapRec 由两个互补组件刻画时间动态，分别称为全局时间跨越（GTL）与有序时间跨越（OTL）。按设计，GTL 通过寻找跨无序时间数据的最短学习路径来学习长期模式；OTL 则通过考虑时间数据的顺序性质来学习短期模式。实验结果表明，在多个数据集与推荐指标上，LeapRec 持续优于最先进（SOTA）方法。此外，我们对 GTL 与 OTL 之间的交互进行了实证研究，展示了长短期建模的效果。
引用
@article{arxiv.2112.05914,
title = {Leaping Through Time with Gradient-based Adaptation for Recommendation},
author = {Nuttapong Chairatanakul and Hoang NT and Xin Liu and Tsuyoshi Murata},
journal= {arXiv preprint arXiv:2112.05914},
year = {2021}
}
备注
Accepted by AAAI-2022. Preprint version