WSDMMay, 2021

在线推荐中的长短期时间元学习

PDF
TL;DR提出了一种基于 LSTTM 框架的在线推荐系统，它可以同时捕捉用户的长期和短期兴趣，采用不同的聚合方法和训练策略分别学习用户的短期和长期偏好，并引入了一种基于 MAML 的时间元学习方法以快速适应实时变化的用户兴趣。该框架在 WeChat Top Stories 推荐系统上的离线评估和在线评估中都取得了显著的改进。
online recommendation systemlong-term preferencesshort-term preferenceslsttm frameworktemporal meta-learning
发现论文，激发创造
  • 面向序列场景的元学习在线推荐模型

    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

  • 基于梯度调整的推荐系统时间跳跃

    本文提出了一种名为 LeapRec 的元学习算法，用于解决推荐系统中用户偏好和物品热度变化所导致的时间动态问题。实验结果表明 LeapRec 优于现有方法，并研究了全局时间跃迁和有序时间跃迁的交互作用。

    Dec, 2021

  • 元选择器：用户级自适应模型选择的元学习推荐

    提出了一种元学习框架来实现基于用户的自适应模型选择， 在公开、生产数据集等数据集上进行了实验证明， 该方法在 AUC 和 LogLoss 等指标上优于单一模型基线和基于样本的模型选择器， 可以在在线推荐系统中带来巨大的利润收益。

    Jan, 2020

  • 为推荐系统的在线更新进行元学习

    介绍了 MeLON 一种用于在线推荐系统的元学习更新策略，其支持两向灵活性，通过自适应学习率来快速学习到用户的最新兴趣，并且在三个真实的在线推荐数据集上进行了广泛的评估和理论分析。

    Mar, 2022

  • 基于图形的长短期兴趣模型用于点击率预测

    本文提出一种名为 GLSM 的基于图形的长短期兴趣模型，它包含用于捕捉长期用户行为的多兴趣图形结构，用于建模短期信息的多场景异构序列模型以及自适应融合机制来融合长期和短期行为的信息，并在实际应用中展示出了显著的 CTR 和 GMV 提升。

    Jun, 2023

  • 如何重新训练推荐系统？一个顺序元学习方法

    本文通过引入 Transfer Component，提出了 Sequential Meta-Learning (SML) 方法，以达到在推荐系统重复训练模型并提高准确性的目的。通过在实际情况下的实验，SML 不仅实现了显著的加速，而且在推荐准确性方面也优于完全模型重训练，验证了我们提出的方法的有效性。

    May, 2020

  • 基于元转移学习的冷启动用户顺序推荐

    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

  • 在线元学习

    该研究提出了一种综合了元学习和在线学习范式的在线元学习模型，运用改进后的 MAML 算法，实现连续终身学习，实验结果表明该算法明显优于传统的在线学习方法。

    Feb, 2019

  • 利用强化学习实现多任务融合，提升推荐系统的用户长期满意度

    该研究结合用户粘性和主动性两个方面，提出了一种基于批量强化学习的多任务融合框架（BatchRL-MTF），以长期用户满意度为最终目标，部署于大规模工业短视频平台。

    Aug, 2022

  • LiMAML: 通过元学习个性化深度推荐模型

    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