SuperCone：基于概念元学习在异构专家上实现统一用户分群
机器学习
2022-04-18 v2 人工智能
摘要
我们研究用户分群问题：给定一组用户以及一个或多个预定义群组或细分，将用户分配至其对应细分。例如，对于表示对某一体育或娱乐领域特定兴趣的细分，任务将是预测每位单个用户是否属于该细分。然而，可能存在大量长尾预测任务受数据可用性限制且性质异构，难以用单一现成模型架构捕捉。本工作中，我们提出 SuperCone，即解决上述挑战的统一预测细分系统。它构建于扁平概念表示之上，该表示概括了每个用户的异构数字足迹，并使用称为“超级学习（super learning）”的方法统一建模各预测任务，即组合架构或学习方法互不相容的多样预测模型。此后，我们提供一种端到端方法，学习灵活自适应地关注最适配的异构专家，同时融入输入概念的深层表示以增强上述专家。实验表明，SuperCone 在广泛预测细分任务和公共结构化数据学习基准上显著优于最先进的推荐与排序算法。
引用
@article{arxiv.2203.07029,
title = {SuperCone: Unified User Segmentation over Heterogeneous Experts via Concept Meta-learning},
author = {Keqian Li and Yifan Hu},
journal= {arXiv preprint arXiv:2203.07029},
year = {2022}
}