双重转移学习框架模型：长尾商品推荐的改进

WWWOct, 2020

双重转移学习框架模型：长尾商品推荐的改进

A Model of Two Tales: Dual Transfer Learning Framework for Improved Long-tail Item Recommendation

Yin Zhang, Derek Zhiyuan Cheng, Tiansheng Yao, Xinyang Yi, Lichan Hong...

TL;DR提出了一种基于双重转移学习框架的推荐系统，其中模型参数和项目特征从头部项目中转移，以改善在长尾分布情况下的尾部项目推荐性能。

Abstract

Highly skewed long-tail item distribution is very common in recommendation systems. It significantly hurts model performance on tail items. To improve tail-item recommendation, we conduct research to transfer knowledge from head items to tail items, leveraging the rich user feedback in head items and the semantic connections between head and tail items. Spec

recommendation systems knowledge transfer long-tail distribution item-level transfer model-level transfer

发现论文，激发创造

MELT: 面向序列推荐的长尾用户和项目相互增强

本文提出了基于互补学习和课程学习的新框架 Mutual Enhancement of Long-Tailed user and item (MELT)，它是序列推荐系统中第一篇同时解决长尾用户和物品的问题，同时也是模型无关的。实验结果表明，该方法可以有效地缓解长尾问题，并且不会牺牲头部用户和物品的性能。

Apr, 2023

长尾式基于会话的推荐

本文提出了一种新的网络架构 TailNet，将项目分类为短头和长尾项目并根据点击频率确定用户偏好，以软调整和个性化推荐，以提高长尾推荐的性能，同时保持与其他方法的竞争精度性能相当，通过两个真实世界数据集的广泛实验验证了我们方法的优越性。

Jul, 2020

适应长尾：迁移学习研究在语言理解任务上的元分析

对自然语言理解中基于转移学习的长尾现象进行了定量的元分析研究，较全面地探讨了转移学习方法在改善此类现象上的可行性问题和方法论实现问题，并在基于临床叙述的案例研究中比较了多种适应性方法的性能表现。

Nov, 2021

个性化干预网络用于长尾顺序用户行为建模

该论文提出了一种新方法，通过梯度聚合技术，学习所有用户的共同知识并在此基础上，为头部用户和尾部用户分别提供定制化的预测，从而显著提高了尾部用户的推荐效果。

Aug, 2022

学习可迁移参数以用于长尾顺序用户行为建模

本文针对用户行为模型在面对长尾分布的用户行为数据时表现不佳的问题，提出了一种利用梯度方向信息以及对抗训练进行知识迁移的框架，广泛实验表明该框架明显优于现有基线模型。

Oct, 2020

大型语言模型增强的长尾用户和物品的顺序推荐

研究通过引入大型语言模型增强顺序推荐系统的性能，以应对长尾用户和长尾商品的挑战，并提出了融合语义信息和协同信号的双视图建模方法来解决这些问题。同时，通过使用检索增强的自蒸馏技术，对用户偏好表示进行改进。实验证明，所提出的增强框架相比现有方法表现更优。

May, 2024

应对领域转移下的长尾类别分布

使用三种新的核心功能块，以及集成在元学习框架中，解决长尾分布分类和领域漂移问题，提高了领域泛化在新的目标领域上的表现。

Jul, 2022

应对长尾推荐的挑战

论文提出了一套基于图的算法集合，可以帮助解决商品推荐系统中 “长尾” 商品推荐困难的问题，并通过实验证明其有效性及优于现有技术。

May, 2012

多任务推荐中的跨任务知识蒸馏

提出了一种交叉任务知识蒸馏框架，通过引入辅助任务和校准蒸馏方法，解决了多任务学习中涉及的任务冲突、不一致和同步优化的问题，在实现细粒度推荐、跨任务知识转移等方面有显著效果。

Feb, 2022

跨域多实体推荐的有效两阶段知识迁移

基于多实体知识传递的 MKT 框架在电子商务平台中的推荐内容上，通过预训练和微调的方式解决了跨实体推荐的问题，并通过离线和在线实验证明了其优越性。

Feb, 2024