SIGIRJul, 2021

基于元转移学习的冷启动用户顺序推荐

PDF
TL;DR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。
sequential recommenderscold-start usersmeta-learningtransition patternsfew-shot learning
发现论文，激发创造
  • 元学习器冷启动的序列推荐

    提出一个元学习的序列推荐框架 Mecos 解决冷启动问题，可以从有限的交互中提取用户偏好，与神经网络模型轻松集成，实验证明比其他基线方法表现更好。

    Dec, 2020

  • 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

  • ClusterSeq：基于聚类的元学习增强顺序推荐系统

    通过将用户序列中的动态信息与聚类相结合，ClusterSeq 是一种在缺乏侧面信息的情况下提高项目预测准确性的元学习聚类型顺序推荐系统，对于展示与常见用户不同偏好的 “次要用户” 而言，这种模型能够保留其偏好并利用同一聚类中用户的集体知识。实验证实了 ClusterSeq 的有效性，相比现有的元学习方法，在均衡互惠排名 (MRR) 上取得了 16-39% 的显著改善。

    Jul, 2023

  • 元学习对推荐系统中的冷启动问题是否是正确的方法？

    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

  • 针对冷启动对话推荐的元策略学习

    本文通过基于元强化学习的会话推荐系统策略学习，提出了三个协同的组件，包括专注于识别用户偏好的元探索策略、为每个用户调整项目推荐模块以最大化推荐质量、基于 Transformer 的状态编码器，以在会话期间建模正反馈之间的复杂关系，实现对新用户的快速个性化适应，为冷启动挑战提供解决方案。实验结果表明，与一组最先进的 CRS 解决方案相比，我们的解决方案在为新用户提供服务方面具有优势。

    May, 2022

  • 在线推荐中的长短期时间元学习

    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。

    May, 2021

  • MAMO: 冷启动推荐的记忆增强元优化

    该论文介绍了一种基于元学习和元优化的推荐系统解决方案，通过两个记忆矩阵来引导模型进行个性化参数初始化，并测试了该方法在两个常用推荐数据集上的可行性。

    Jul, 2020

  • 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

  • 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

  • MeLU: 冷启动推荐的元学习用户喜好估计器

    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