用于推荐系统在线更新的元学习

在线推荐系统应始终与用户的当前兴趣保持一致，以准确建议每个用户可能喜欢的物品。由于用户兴趣通常随时间演化，更新策略应当灵活，以便从持续生成的新用户-物品交互中快速捕捉用户的当前兴趣。现有的更新策略要么关注每个用户-物品交互的重要性，要么关注每个推荐参数的学习率，但这种单向灵活性不足以适应交互与参数之间变化的关系。本文中，我们提出 MeLON，一种基于元学习的新型在线推荐更新策略，支持双向灵活性。其特点是为每个参数-交互对配备自适应学习率，以促使推荐系统快速学习用户的最新兴趣。MeLON 的过程遵循元学习方法进行优化：它学习一个推荐系统如何学习以生成用于未来更新最优学习率。具体而言，MeLON 首先基于先前交互丰富每个交互的含义并识别每个参数对该交互的作用；然后结合这两方面信息生成自适应学习率。理论分析和在三个真实世界在线推荐数据集上的广泛评估验证了 MeLON 的有效性。