STEM：释放嵌入在多任务推荐中的威力
信息检索
2024-01-09 v2 机器学习
摘要
多任务学习（MTL）因能同时优化多个目标而在推荐系统中广受欢迎。MTL 中的一个关键挑战是负迁移，但现有研究在所有样本上探讨负迁移，忽视了样本内部固有的复杂性。我们根据任务间正反馈的相对数量对样本进行划分。令人惊讶的是，在现有 MTL 方法中，在跨任务获得可比反馈的样本上仍发生负迁移。现有工作通常采用共享嵌入范式，限制了在不同任务上建模多样化用户偏好的能力。在本文中，我们引入一种新颖的共享与任务特定嵌入（STEM）范式，旨在结合共享与任务特定嵌入以有效捕获任务特定的用户偏好。在该范式下，我们提出一个简单模型 STEM-Net，其配备全前向任务特定反向门控网络，以促进任务特定嵌入的学习及跨任务的知识直接迁移。值得注意的是，STEM-Net 在可比样本上展现出卓越性能，实现了正迁移。在三个公开 MTL 推荐数据集上的综合评估表明，STEM-Net 以显著优势优于最先进模型。我们的代码发布于 https://github.com/LiangcaiSu/STEM。
引用
@article{arxiv.2308.13537,
title = {STEM: Unleashing the Power of Embeddings for Multi-task Recommendation},
author = {Liangcai Su and Junwei Pan and Ximei Wang and Xi Xiao and Shijie Quan and Xihua Chen and Jie Jiang},
journal= {arXiv preprint arXiv:2308.13537},
year = {2024}
}