面向冷启动推荐的稀疏性正则化
信息检索
2022-01-31 v3 机器学习
摘要
近来，生成对抗网络（GANs）已被应用于冷启动推荐问题，但这些模型的训练性能受到热用户购买行为中极端稀疏性的阻碍。本文通过结合用户人口统计信息与用户偏好，引入一种新颖的用户向量表示，使模型成为融合协同过滤与基于内容的推荐的混合系统。我们的系统使用加权用户-产品偏好（显式反馈）而非二值用户-产品交互（隐式反馈）来建模用户购买行为。基于此，我们开发了新颖的稀疏对抗模型 SRLGAN，用于冷启动推荐，利用稀疏的用户购买行为确保训练稳定性并避免对热用户的过拟合。我们在两个流行数据集上评估了 SRLGAN，并展示了最先进（state-of-the-art）的结果。
引用
@article{arxiv.2201.10711,
title = {Sparsity Regularization For Cold-Start Recommendation},
author = {Aksheshkumar Ajaykumar Shah and Hemanth Venkateswara},
journal= {arXiv preprint arXiv:2201.10711},
year = {2022}
}