预训练神经推荐模型:一种可迁移的推荐系统零样本框架
信息检索
2023-10-02 v2 人工智能
摘要
现代神经协同过滤技术对电子商务、社交媒体和内容分享平台的成功至关重要。然而,尽管技术不断进步——对于每个新应用领域,我们仍需从零开始训练一个 NCF 模型。相比之下,预训练视觉与语言模型通常可直接(零样本)或经有限微调应用于多样任务。受预训练模型影响的启发,我们探索支持在新领域中构建推荐系统、以最小或无需重训练、且不借助任何辅助用户或物品信息的预训练推荐模型之可能。无辅助信息的零样本推荐具有挑战性,因为在不含重叠用户或物品时,我们无法跨数据集建立用户与物品间的关联。我们的核心洞见是:用户-物品交互矩阵的统计特征在不同领域与数据集中普遍可得。因此,我们利用用户-物品交互矩阵的统计特征来识别用户与物品的独立于数据集的表示。我们展示了如何从二部用户-物品交互图中学习节点与边的通用(即支持无用户或物品辅助信息的零样本适配)表示。我们通过挖掘交互数据的统计性质(包括用户与物品边缘分布,及其簇的大小与密度分布)来学习表示。
引用
@article{arxiv.2309.01188,
title = {Pre-trained Neural Recommenders: A Transferable Zero-Shot Framework for Recommendation Systems},
author = {Junting Wang and Adit Krishnan and Hari Sundaram and Yunzhe Li},
journal= {arXiv preprint arXiv:2309.01188},
year = {2023}
}