MAMO: 冷启动推荐的记忆增强元优化
深度学习方法在冷启动问题中表现良好,与元学习技术相比,常用的深度学习模型和普遍采用的表示学习技术能够在常见的冷启动问题基准上提供类似或更好的性能,并且更易于实际应用。
Aug, 2023
本文提出了一种推荐系统,名为 MeLU,基于元学习方法,在用户冷启动状态下能够快速预测用户偏好并提供个性化推荐,其关键在于选择特异性证据进行预测,该方法成功优于其他两种比较模型并被用户研究实验所验证。
Jul, 2019
本篇论文提出了一个全面的公平元学习框架 CLOVER,针对电子商务系统中推荐冷启动问题的存在,通过多任务对抗学习,实现个体公平、反事实公平和群体公平,前人工作已经表明推荐系统容易受到偏见和不公平对待,但该框架能够显著提高推荐性能而不影响整体的冷启动表现。
Jun, 2022
通过少次学习和元学习,将场景特定学习与模型无关的顺序元学习相结合,提出了一种名为 s^2meta 的综合端对端框架,可显著提高在线推荐的冷启动问题的状态艺术水平。
Jun, 2019
本论文提出了一种基于元学习的新型推荐模型 TaNP,通过引入任务自适应机制,使得模型能够更加有效地适应冷启动用户,从而取得了在多个基准数据集上相对于现有元学习推荐算法的一致性改进。
Feb, 2021
本研究探讨集体矩阵分解模型在推荐系统中的应用,提出了一种新的公式,可以更快地预测没有反馈或互动数据但有辅助信息的用户和商品,虽然冷启动推荐不如热启动的推荐准确,但比非个性化推荐效果更好,而且对于新用户的预测比新商品更可靠。此处提出的公式在许多场景下改进了冷启动推荐,但热启动推荐效果有所下降。
Sep, 2018
通过深度神经网络和元学习算法,该研究论文提出了一种个性化推荐系统的创新解决方案,能够根据最新的用户交互信号进行模型更新并在在线推荐系统上高效部署,从而实现高度个性化的 AI 模型的部署和对应业务指标的显著改进。
Feb, 2024
该研究提出了一种名为 MetaTL 的新框架,通过元学习来提高冷启动用户的顺序推荐,并形式化了冷启动用户的顺序推荐问题为 few-shot 学习问题,并采用基于翻译的桥接器来提取用户之间的动态转换模式,并采用元转换学习来实现仅具有有限交互的冷启动用户的快速学习,从而实现了对顺序交互的准确推断。
Jul, 2021
在本篇论文中,我们提出了一种结合活跃学习与商品属性信息的新型冷启动推荐方法,该方法基于商品属性和用户的评价历史设计了有用的用户选择标准,并将该标准组合成选择用户的优化框架。通过利用反馈评分、用户先前评分和商品属性,我们为其他未被选中的用户生成准确的评分预测。实验结果表明,我们的方法优于传统方法。
May, 2018