元学习对推荐系统中的冷启动问题是否是正确的方法？

Aug, 2023

元学习对推荐系统中的冷启动问题是否是正确的方法？

Is Meta-Learning the Right Approach for the Cold-Start Problem in Recommender Systems?

Davide Buffelli, Ashish Gupta, Agnieszka Strzalka, Vassilis Plachouras

TL;DR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。

Abstract

recommender systems have become fundamental building blocks of modern online products and services, and have a substantial impact on user experience. In the past few years, deep learning methods have attracted a

recommender systems deep learning methods cold-start problem meta-learning techniques representation learning techniques

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

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

全面公正的元学习推荐系统

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

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

冷启动内容推荐的通用项目表示学习

冷启动商品推荐是推荐系统中一个长期存在的挑战，常见的解决方法是使用基于内容的方法，然而，多种形式的原始内容中的丰富信息尚未充分利用。本文提出了一种面向冷启动推荐的领域 / 数据无关商品表示学习框架，通过采用基于 Transformer 的架构在各种特征之间自然实现多模态对齐。我们的模型不受分类标签的束缚，可以完全端到端地进行训练，不仅避免了分类标签的收集成本，还能够获得更适用于推荐目的的表示学习。通过对真实世界电影和新闻推荐基准的大量实验，我们验证了我们的方法比现有的基线模型更好地保留了细粒度用户兴趣，并且可以广泛适用于多个领域的大规模推荐。

Apr, 2024

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

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

推荐系统中的冷启动商品推广

通过使用二分网络表示法，本文针对冷启动问题，旨在探讨在推荐系统中如何设计高效的营销策略，并通过实验发现，将新商品与一些不太活跃的用户联系起来比简单地将新商品推送给活跃用户更具效果。

Apr, 2014

冷热净：解决推荐系统中的冷启动用户问题

我们提出了基于专家模型的冷启动与热身网络，专家模型分别负责冷启动和热身用户建模，门控网络用于整合两个专家的结果，引入动态知识蒸馏作为教师选择器，以帮助专家更好地学习用户表示，通过综合的互信息选择与用户行为高度相关的特征用于显式建模用户行为偏差，最终在公共数据集上评估了我们的冷启动与热身网络，在匹配阶段常用模型的比较中表现优异，对于所有用户类型，我们的模型胜过其他模型，还将该模型应用于一个工业级短视频平台，在应用停留时间和用户留存率方面实现了显著的增加。

Sep, 2023