MAMO：面向冷启动推荐的记忆增强元优化方法
信息检索
2020-07-08 v1 机器学习
机器学习
摘要
当前大多数推荐系统的一个共同挑战是冷启动问题。由于缺乏用户-物品交互，微调后的推荐系统无法处理新用户或新物品的情形。近来，一些工作将元优化思想引入推荐场景，即通过少量历史交互物品预测用户偏好。其核心思想是学习所有用户共享的全局初始化参数，再分别为每个用户学习局部参数。然而，大多数基于元学习的推荐方法采用模型无关元学习进行参数初始化，其中全局共享参数可能使模型对某些用户陷入局部最优。本文中，我们设计两个记忆矩阵，可分别存储任务特定记忆与特征特定记忆。具体而言，特征特定记忆用于以个性化参数初始化引导模型，而任务特定记忆用于引导模型快速预测用户偏好。我们采用元优化方法优化所提方法。我们在两个广泛使用的推荐数据集上测试模型并考虑四种冷启动情形。实验结果展示了所提方法的有效性。
引用
@article{arxiv.2007.03183,
title = {MAMO: Memory-Augmented Meta-Optimization for Cold-start Recommendation},
author = {Manqing Dong and Feng Yuan and Lina Yao and Xiwei Xu and Liming Zhu},
journal= {arXiv preprint arXiv:2007.03183},
year = {2020}
}