基于自适应加权损失的元学习用于不平衡冷启动推荐

序列推荐器在捕捉用户偏好方面取得了重大进展。然而，冷启动推荐仍是一项根本性挑战，因为其通常涉及有限的用户-物品交互用于个性化。近来，基于梯度的元学习方法因快速适应与易集成能力而出现在序列推荐领域。元学习算法将冷启动推荐表述为少样本学习问题，其中每个用户被表示为一个待适应的任务。尽管元学习算法通常假设任务内样本在类别或取值上均匀分布，真实应用中的用户-物品交互并不符合此种分布（例如，多次观看喜爱视频、仅留下正向评分而无任何负向评分）。因此，占任务训练数据大多数的不平衡用户反馈，可能主导用户适应过程，阻碍元学习算法学习有意义的用于个性化推荐的元知识。为缓解此局限，我们提出一种基于梯度元学习的新型序列推荐框架，其捕捉每位用户的不平衡评分分布并计算用户特定学习的自适应损失。我们的工作是首个解决冷启动序列推荐场景中不平衡评分影响的工作。通过在真实数据集上的大量实验，我们证明了框架的有效性。