零样本推荐系统
机器学习
2021-10-13 v2 人工智能
信息检索
摘要
推荐系统(RS)的性能严重依赖于可用的训练数据量。这对早期产品构成了鸡生蛋、蛋生鸡的问题,因为后者的数据量反过来又依赖于其推荐系统的性能。另一方面,零样本学习承诺从旧数据集到全新数据集的某种程度的泛化能力。在本文中,我们探索了推荐系统中零样本学习的可能性。我们开发了一种称为 ZEro-Shot Recommenders (ZESRec) 的算法,该算法在旧数据集上训练并泛化到一个新数据集,其中既不存在重叠的用户也不存在重叠的物品,这一设定不同于具有重叠用户或物品的典型跨域推荐系统。与以往方法中的类别型物品索引(即物品 ID)不同,ZESRec 使用物品的自然语言描述(或描述嵌入)作为其连续索引,因此自然泛化到任何未见过的物品。在用户方面,ZESRec 建立在近期序列推荐系统的进展之上,利用用户与物品的交互来表示用户,从而也能泛化到未见过的用户。我们研究了三对真实世界的推荐系统数据集,并证明 ZESRec 能够在这样的零样本设定下成功实现推荐,为解决数据稀缺的初创企业或早期产品的鸡生蛋、蛋生鸡问题开辟了新机会。
引用
@article{arxiv.2105.08318,
title = {Zero-Shot Recommender Systems},
author = {Hao Ding and Yifei Ma and Anoop Deoras and Yuyang Wang and Hao Wang},
journal= {arXiv preprint arXiv:2105.08318},
year = {2021}
}