面向跨域推荐的用户特定自适应微调
信息检索
2021-06-21 v2
摘要
为冷启动用户做出准确推荐一直是推荐系统（RS）中一个长期且关键的问题。当用户极少使用系统、缺乏充足数据时，跨域推荐（CDR）提供了一种解决此类冷启动问题的方案。CDR 中一种有效的方法是借助从相关但不同的域中学到的知识（如用户表示），并将其迁移到目标域。微调作为一种有效的迁移学习技术可实现该目标，它将预训练模型从源域的参数适配到目标域。然而，当前方法主要基于全局微调策略：对于预训练模型中哪些层冻结或微调的决策，是针对目标域中所有用户统一做出的。本文认为，RS 中的用户是个性化的，应拥有各自的微调策略以实现更好的偏好迁移学习。为此，我们提出一种新颖的用户特定自适应微调方法（UAF），在逐用户基础上选择预训练网络的哪些层进行微调。具体而言，我们设计了一个具有三种可选策略的策略网络，自动决定每个用户哪些层需微调、哪些层参数冻结。大量实验表明，所提 UAF 在用户冷启动推荐中表现出显著更优且更鲁棒的性能。
引用
@article{arxiv.2106.07864,
title = {User-specific Adaptive Fine-tuning for Cross-domain Recommendations},
author = {Lei Chen and Fajie Yuan and Jiaxi Yang and Xiangnan He and Chengming Li and Min Yang},
journal= {arXiv preprint arXiv:2106.07864},
year = {2021}
}