面向冷启动用户的跨域推荐迁移-元框架
信息检索
2021-05-12 v1 人工智能
摘要
冷启动问题在实际推荐系统中是巨大的挑战。一个有前景的解决方案是跨域推荐（CDR），其利用辅助（源）域中的丰富信息来提升目标域中推荐系统的性能。在这些 CDR 方法中，用于 CDR 的嵌入与映射方法族（EMCDR）非常有效，其利用重叠用户显式地学习从源嵌入到目标嵌入的映射函数。然而，这些方法存在一个严重问题：映射函数仅在有限的重叠用户上学习，且该函数会偏向于有限的重叠用户，导致泛化能力不佳，并降低了在目标域中冷启动用户上的性能。借助元学习对新颖任务具有良好泛化能力的优势，我们提出了一种用于 CDR 的迁移-元框架（TMCDR），其包含迁移阶段和元阶段。在迁移（预训练）阶段，源模型和目標模型分别在源域和目标域上训练。在元阶段，学习一个任务导向的元网络，以隐式地将源域中的用户嵌入转换到目标特征空间。此外，TMCDR 是一个可应用于多种基模型（如 MF、BPR、CML）的通用框架。利用来自 Amazon 和 Douban 的数据，我们在 6 个跨域任务上进行了大量实验，以证明 TMCDR 的优越性能和兼容性。
引用
@article{arxiv.2105.04785,
title = {Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users},
author = {Yongchun Zhu and Kaikai Ge and Fuzhen Zhuang and Ruobing Xie and Dongbo Xi and Xu Zhang and Leyu Lin and Qing He},
journal= {arXiv preprint arXiv:2105.04785},
year = {2021}
}
备注
5 pages, accepted by SIGIR2021