面向冷启动推荐的时间与分布鲁棒优化
信息检索
2024-02-05 v3
摘要
协同过滤（CF）推荐模型高度依赖用户-物品交互来学习 CF 表示，因此在推荐冷启动物品时存在不足。为解决此问题，以往的研究主要引入物品特征（例如缩略图）用于冷启动物品推荐。它们在暖启动物品上学习特征提取器，以使特征表示与交互对齐，然后利用该特征提取器提取冷启动物品的特征表示以进行交互预测。遗憾的是，由于时间特征偏移，冷启动物品（尤其是热门物品）的特征往往偏离暖启动物品的特征，这阻碍了特征提取器准确学习冷启动物品的特征表示。为减轻时间特征偏移的影响，我们考虑使用分布鲁棒优化（DRO）来增强特征提取器的泛化能力。尽管如此，现有的 DRO 方法面临一个不一致性问题：在 DRO 训练期间被重点关注的 worst-case 暖启动物品可能与冷启动物品分布不能很好地对齐。为了捕捉时间特征偏移并解决这一不一致性问题，我们提出了一种具有新优化目标的新型时间 DRO，即：1）引入 worst-case 因子以提升 worst-case 性能；2）设计偏移因子以捕捉物品特征的偏移趋势，并增强对冷启动物品中潜在热门群体的优化。在三个真实世界数据集上的大量实验验证了我们的时间 DRO 在增强冷启动推荐模型泛化能力方面的优越性。代码可在 https://github.com/Linxyhaha/TDRO/ 获取。
引用
@article{arxiv.2312.09901,
title = {Temporally and Distributionally Robust Optimization for Cold-Start Recommendation},
author = {Xinyu Lin and Wenjie Wang and Jujia Zhao and Yongqi Li and Fuli Feng and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2312.09901},
year = {2024}
}
备注
Accepted by AAAI'24