基于元缩放与移位网络学习预热冷启动推荐中的冷物品嵌入
信息检索
2021-05-12 v1
摘要
近年来，嵌入技术在推荐系统中取得了令人瞩目的成功。然而，嵌入技术对数据需求量大，并受冷启动问题困扰。特别是对于仅有有限交互的冷启动物品，难以训练出合理的物品ID嵌入（称为冷ID嵌入），这是嵌入技术面临的主要挑战。冷物品ID嵌入存在两个主要问题：（1）冷ID嵌入与深度模型之间存在鸿沟。（2）冷ID嵌入会严重受到噪声交互的影响。然而，现有大多数方法并未同时考虑冷启动问题中的这两个问题。为解决这些问题，我们采用两个关键思路：（1）加快冷物品ID嵌入的模型拟合（快速自适应）。（2）减轻噪声的影响。沿此思路，我们提出元缩放与移位网络，分别为每个物品生成缩放与移位函数。缩放函数可将冷物品ID嵌入直接变换到能更好拟合模型的温热特征空间，移位函数则能从噪声嵌入中产生稳定嵌入。借助这两个元网络，我们提出元预热框架（MWUF），学习预热冷ID嵌入。此外，MWUF是一个通用框架，可应用于多种现有深度推荐模型之上。所提模型在三个流行基准（包括推荐与广告数据集）上进行了评估，评估结果证明了其优越性能与兼容性。
引用
@article{arxiv.2105.04790,
title = {Learning to Warm Up Cold Item Embeddings for Cold-start Recommendation with Meta Scaling and Shifting Networks},
author = {Yongchun Zhu and Ruobing Xie and Fuzhen Zhuang and Kaikai Ge and Ying Sun and Xu Zhang and Leyu Lin and Juan Cao},
journal= {arXiv preprint arXiv:2105.04790},
year = {2021}
}
备注
10 pages, accepted by SIGIR2021