面向用户冷启动推荐的任务自适应神经过程
信息检索
2021-03-11 v1
摘要
用户冷启动推荐是推荐系统长期存在的挑战，因为可利用的冷启动用户交互极少。近期研究从元学习视角寻求应对该挑战，其中多数遵循参数初始化方式，即模型参数可通过少量梯度更新步骤学习得到。尽管这些基于梯度的元学习模型在某种程度上取得了有前景的性能，它们的根本问题在于如何更有效地适配从先前任务学到的全局知识以用于冷启动用户的推荐。本文中，我们提出一种称为任务自适应神经过程（TaNP）的新型元学习推荐器。TaNP 是神经过程家族的新成员，其中对每个用户进行推荐关联于一个相应的随机过程。TaNP 直接将每个用户的观测交互映射为预测分布，规避了基于梯度的元学习模型中的若干训练问题。更重要的是，为平衡模型容量与适配可靠性之间的权衡，我们引入一种新颖的任务自适应机制。它使我们的模型能够学习不同任务的相关性，并将全局知识定制为任务相关的解码器参数以估计用户偏好。我们在多种基准数据集及不同实验设置下验证了 TaNP。实证结果表明，TaNP 相较若干最优（SOTA）元学习推荐器取得了持续的提升。
引用
@article{arxiv.2103.06137,
title = {Task-adaptive Neural Process for User Cold-Start Recommendation},
author = {Xixun Lin and Jia Wu and Chuan Zhou and Shirui Pan and Yanan Cao and Bin Wang},
journal= {arXiv preprint arXiv:2103.06137},
year = {2021}
}
备注
Accepted by WWW 2021