利用社交媒体背景信息改进冷启动推荐深度模型
信息检索
2021-06-07 v1 人工智能
摘要
在推荐系统中，当用户或物品没有关联的过往交互记录时，便会出现冷启动问题。冷启动问题的典型解决方案利用上下文信息，如用户人口统计属性或产品描述。一组工作已表明，社交媒体背景有助于预测产品销量与股价变动等时间现象。本工作中，我们旨在探究社交媒体背景是否可用作额外上下文信息以改进推荐模型。基于已有深度神经网络模型，我们提出一种将时间性社交媒体背景表示为嵌入向量并作为额外组件融合进模型的方法。我们在真实电商数据集与 Twitter 数据集上开展实验评估。结果表明，将社交媒体背景与现有模型融合的方法总体上提升了推荐性能。在某些情况下，以 hit-rate@K 衡量的推荐准确率在融合社交媒体背景后翻倍。我们的发现有益于未来考虑表征社会兴趣的复杂时间信息的推荐系统设计。
引用
@article{arxiv.2106.02256,
title = {Using Social Media Background to Improve Cold-start Recommendation Deep Models},
author = {Yihong Zhang and Takuya Maekawa and Takahiro Hara},
journal= {arXiv preprint arXiv:2106.02256},
year = {2021}
}
备注
Accepted for presentation in IJCNN 2021