冷启动问题的零样本解决:面向推荐系统的模型无关兴趣学习
信息检索
2021-09-06 v1 人工智能
摘要
用户行为已被证实能有效揭示商业推荐中的个性化偏好。然而,新用户可收集的用户-物品交互极少,导致其兴趣为空空间,即冷启动困境。本文提出一种双塔框架,即模型无关兴趣学习(MAIL)框架,以解决推荐系统的冷启动推荐(CSR)问题。在MAIL中,构建一独特塔从零样本视角处理CSR,另一塔专注于通用排序任务。具体而言,零样本塔首先利用双自动编码器进行跨模态重建,为新用户从高度对齐的隐特征中获取虚拟行为数据;随后排序塔可基于零样本塔补全的数据为用户输出推荐。实践中,MAIL中的排序塔是模型无关的,可用任意基于嵌入的深度模型实现。基于双塔的协同训练,MAIL提出了一种端到端的推荐系统方法,展现出 incremental 性能提升。所提方法已成功部署于网易云音乐线上推荐系统,为数百万用户实现13%至15%的点击率提升。在真实数据集上的离线实验也显示其在CSR中的优越性能。我们的代码已公开。
引用
@article{arxiv.2108.13592,
title = {Zero Shot on the Cold-Start Problem: Model-Agnostic Interest Learning for Recommender Systems},
author = {Philip J. Feng and Pingjun Pan and Tingting Zhou and Hongxiang Chen and Chuanjiang Luo},
journal= {arXiv preprint arXiv:2108.13592},
year = {2021}
}