面向冷启动用户的元转移学习序列推荐
信息检索
2021-07-15 v1
摘要
序列推荐器的一个基本挑战是捕捉用户的序列模式，以建模用户如何在物品间转移。然而，在许多实际场景中，存在大量仅有极少日志交互的冷启动用户。因此，现有的序列推荐模型由于在仅有有限交互的用户上学习序列模式存在困难，会丧失其预测能力。在这项工作中，我们旨在通过一种名为 MetaTL 的新框架改善冷启动用户的序列推荐，该框架通过元学习来学习建模用户的转移模式。具体而言，所提出的 MetaTL：(i) 将冷启动用户的序列推荐表述为少样本学习问题；(ii) 利用基于平移的架构提取用户间的动态转移模式；(iii) 采用元转移学习，使仅有有限交互的冷启动用户能够实现快速学习，从而准确推断序列交互。
引用
@article{arxiv.2107.06427,
title = {Sequential Recommendation for Cold-start Users with Meta Transitional Learning},
author = {Jianling Wang and Kaize Ding and James Caverlee},
journal= {arXiv preprint arXiv:2107.06427},
year = {2021}
}
备注
Accepted by SIGIR2021