MeLU：面向冷启动推荐的元学习用户偏好估计器
信息检索
2019-08-02 v1 人工智能
机器学习
摘要
本文提出一种推荐系统，以缓解冷启动问题，该系统能够仅基于少量物品来估计用户偏好。为了识别处于冷状态用户的偏好，现有的推荐系统（如 Netflix）最初会向用户提供一些物品；我们称这些物品为证据候选项。然后基于用户选择的物品进行推荐。以往的推荐研究存在两个局限：（1）消费了少量物品的用户获得的推荐质量较差；（2）用于识别用户偏好的证据候选项不够充分。我们提出一种基于元学习的推荐系统，称为 MeLU，以克服这两个局限。借助能够通过少量示例快速适应新任务的元学习，MeLU 可以根据少量已消费物品估计新用户的偏好。此外，我们提供了一种证据候选项选择策略，该策略能够确定用于定制化偏好估计的区分性物品。我们在两个基准数据集上验证了 MeLU，与两个对比模型相比，所提模型在这些数据集上至少降低了 5.92% 的平均绝对误差。我们还进行了一项用户研究实验，以验证证据选择策略。
引用
@article{arxiv.1908.00413,
title = {MeLU: Meta-Learned User Preference Estimator for Cold-Start Recommendation},
author = {Hoyeop Lee and Jinbae Im and Seongwon Jang and Hyunsouk Cho and Sehee Chung},
journal= {arXiv preprint arXiv:1908.00413},
year = {2019}
}
备注
Accepted as a full paper at KDD 2019