面向冷启动用户偏好预测的个性化自适应元学习

个性化用户偏好预测中的一个常见挑战是冷启动问题。由于缺乏用户-物品交互，直接从新用户的日志数据学习会导致严重的过拟合问题。近来，许多现有研究将冷启动个性化偏好预测视为少样本学习问题，其中每个用户为任务、推荐物品为类别，并利用基于梯度的元学习 method (MAML) 应对该挑战。然而，在真实应用中，用户并非均匀分布（即不同用户可能具有不同的浏览历史、推荐物品和用户画像。我们将主要用户定义为具有大量共享相似用户信息群体的用户，其他用户为次要用户），现有MAML方法倾向于拟合主要用户而忽略次要用户。为解决此冷启动任务过拟合问题，我们提出一种新颖的个性化自适应元学习方法，同时考虑主要与次要用户，具有三点关键贡献：1) 我们首次提出个性化自适应学习率元学习方法，通过关注主要与次要用户来提升MAML性能。2) 为向每用户提供更好的个性化学习率，我们引入基于相似度的方法寻找相似用户作为参考，以及基于树的方法存储用户特征以快速搜索。3) 为降低内存占用，我们设计了内存无关正则化器，在保持性能的同时将空间复杂度进一步降至常数。在MovieLens、BookCrossing及真实生产数据集上的实验表明，我们的方法对次要与主要用户的性能均大幅优于最先进方法。