基于元参数划分的推荐学习方法
信息检索
2019-12-10 v1 机器学习
机器学习
摘要
本文提出基于元学习方法来解决推荐中的一个重要问题——用户冷启动。先前的元学习方法为每个新用户微调所有参数，在计算与存储上均代价高昂。相反，我们将模型参数划分为固定部分与自适应部分，并设计两阶段元学习算法分别学习二者。固定部分捕捉用户不变特征，为所有用户共享，在离线元学习阶段习得；自适应部分捕捉用户特定特征，在在线元学习阶段习得。通过将用户不变参数与用户相关参数解耦，所提方法比先前方法更高效且存储更省，并有望在处理持续到来的用户时避免灾难性遗忘。生产数据上的实验表明，所提方法比基线方法收敛更快且性能更优。无在线元模型微调的元训练将 AUC 从 72.24% 提升至 74.72%（绝对提升 2.48%）。在线元训练相较离线元训练取得进一步 2.46% 的绝对提升。
引用
@article{arxiv.1912.04108,
title = {Learning to Recommend via Meta Parameter Partition},
author = {Liang Zhao and Yang Wang and Daxiang Dong and Hao Tian},
journal= {arXiv preprint arXiv:1912.04108},
year = {2019}
}