RESUS：通过元学习残差用户偏好预热冷启动用户的 CTR 预测
信息检索
2022-10-31 v1 人工智能
摘要
冷启动用户的点击率（CTR）预测是推荐系统中的一项挑战性任务。近期研究借助元学习应对冷用户挑战，或执行少样本用户表示学习，或采用基于优化的元学习。然而，现有方法存在信息损失或优化低效的问题，且未能显式建模对补充冷用户稀疏且不足偏好信息至关重要的全局用户偏好知识。本文提出一种新颖高效的方法 RESUS，其将集体用户贡献的全局偏好知识学习与个体用户的残差偏好学习解耦。具体而言，我们采用共享预测器推断基础用户偏好，从不同的用户交互中获取全局偏好知识。同时，我们基于最近邻与岭回归预测器开发了两种高效算法，通过从少量用户特定交互中快速学习来推断残差用户偏好。在三个公开数据集上的大量实验表明，相较于各类最先进方法，我们的 RESUS 方法在提升冷用户 CTR 预测精度方面高效且有效。
引用
@article{arxiv.2210.16080,
title = {RESUS: Warm-Up Cold Users via Meta-Learning Residual User Preferences in CTR Prediction},
author = {Yanyan Shen and Lifan Zhao and Weiyu Cheng and Zibin Zhang and Wenwen Zhou and Kangyi Lin},
journal= {arXiv preprint arXiv:2210.16080},
year = {2022}
}
备注
Accepted by TOIS 2022. Code are available in https://github.com/MogicianXD/RESUS