推荐系统的个性化多任务训练
信息检索
2024-08-01 v1
摘要
在浩瀚的互联网信息中，推荐系统 (RecSys) 已成为引导用户穿越符合其偏好的选择海洋的重要工具。这些系统在多个领域有广泛应用，如新闻推送、游戏推荐和购物推荐。个性化是 RecSys 中的关键技术，现代方法利用表征学习将用户/物品交互编码为嵌入，形成个性化推荐的基础。然而，整合来自多种信息源以提升推荐性能仍然具有挑战性。本文提出了一种名为 PMTRec 的新方法，这是首个从多种信息源获取全面用户/物品嵌入的个性化多任务学习算法。针对个性化 RecSys 的特定挑战，我们开发了处理个性化任务权重、多样化任务方向以及各任务间梯度幅度变化的模块。PMTRec 根据每个用户/物品的梯度范数动态调整任务权重，采用任务聚焦模块将梯度组合与主要推荐任务对齐，并使用梯度幅度平衡模块确保各任务间的均衡训练。通过在三个不同规模的真实数据集进行的大量实验，我们证明 PMTRec 显著优于现有的多任务学习方法，展示了其通过同时利用多个任务来提升推荐准确性的有效性。我们的贡献为推进推荐系统中的个性化多任务训练开辟了新途径。
引用
@article{arxiv.2407.21364,
title = {Personalized Multi-task Training for Recommender System},
author = {Liangwei Yang and Zhiwei Liu and Jianguo Zhang and Rithesh Murthy and Shelby Heinecke and Huan Wang and Caiming Xiong and Philip S. Yu},
journal= {arXiv preprint arXiv:2407.21364},
year = {2024}
}
备注
11 pages