LogitMat：无需迁移学习或预训练模型的推荐系统零样本学习算法
信息检索
2023-07-13 v1
摘要
推荐系统作为最具盈利性的技术之一，在互联网行业备受青睐。与金融科技行业中的欺诈检测等其他领域不同，推荐系统既深且广。近年来，许多研究者开始关注推荐系统的冷启动问题。尽管相关研究文献浩如烟海，但大多数研究利用迁移学习/元学习和预训练模型来解决该问题。尽管研究者声称这些方法有效，但它们都依赖于来自其他来源的额外输入数据。在 2021 和 2022 年，若干推荐系统零样本学习算法如 ZeroMat、DotMat、PoissonMat 和 PowerMat 被提出。它们是不依赖迁移学习或预训练模型来解决该问题的首批算法。本文沿此思路提出了一种名为 LogitMat 的新零样本学习算法。我们利用用户-物品评分值的齐夫定律（Zipf Law）特性与逻辑回归模型来解决冷启动问题，并与其他竞争技术相比取得了有竞争力的结果。我们在实验中证明，我们的算法快速、鲁棒且有效。
引用
@article{arxiv.2307.05680,
title = {LogitMat : Zeroshot Learning Algorithm for Recommender Systems without Transfer Learning or Pretrained Models},
author = {Hao Wang},
journal= {arXiv preprint arXiv:2307.05680},
year = {2023}
}