MELT: 面向序列推荐的长尾用户和项目相互增强

SIGIRApr, 2023

MELT: 面向序列推荐的长尾用户和项目相互增强

MELT: Mutual Enhancement of Long-Tailed User and Item for Sequential Recommendation

Kibum Kim, Dongmin Hyun, Sukwon Yun, Chanyoung Park

TL;DR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。

Abstract

The long-tailed problem is a long-standing challenge in Sequential Recommender Systems (SRS) in which the problem exists in terms of both users and items. While many existing studies address the long-tailed problem

sequential recommender systems long-tailed problem melt curriculum learning-based training model-agnostic

发现论文，激发创造

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

双重转移学习框架模型：长尾商品推荐的改进

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。

Oct, 2020

缓解对话推荐系统中的长尾问题

LOT-CRS 是一个创新的框架，通过使用均衡的 CRS 数据集来改进长尾推荐性能，采用两种预训练任务以增强对长尾项目的理解，并采用检索增强的微调和标签平滑策略进一步改进长尾项目的推荐。实验证明了该方法的有效性和可扩展性，特别是在长尾推荐方面。

Jul, 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

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

视频排序模型中基于邻居的长尾排名问题增强

本研究针对长尾排名问题，提出了一种基于邻居增强结构的排名模型，在 MovieLens 1M 数据集上证明比基线基于行为标签的模型具有更高的效率。

Feb, 2023

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

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

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

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