基于元学习的推荐系统5篇相关论文

Posted 2021-05-01 专知

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了基于元学习的推荐系统5篇相关论文相关的知识，希望对你有一定的参考价值。

导读

元学习的研究越来越受到学者们的重视，从最初在图像领域的研究逐渐拓展到其他领域，目前推荐系统领域也出现了相关的研究问题，本文介绍了5篇基于元学习的推荐系统相关论文，包括用户冷启动推荐、项目冷启动推荐等。

编译 | Xiaowen

本文提出了一种新的推荐系统，解决了基于少量样本物品来估计用户偏好的冷启动问题。为了确定用户在冷启动状态下的偏好，现有的推荐系统，如Netflix，在启动初向用户提供物品选择，我们称这些物品为候选集。然后根据用户选择的物品做出推荐。以往的推荐研究有两个局限性：(1) 只有少量物品交互行为的用户推荐效果不佳，(2) 候选集合不足，无法识别用户偏好。为了克服这两个限制，我们提出了一种基于元学习的推荐系统MeLU。从元学习中，MeLU可以通过几个例子快速地应用于新任务，通过几个消费物品来估计新用户的偏好。此外，我们提供了一个候选集合选择策略，以确定自定义偏好估计的区分项目。我们用两个基准数据集对MeLU进行了验证，与两个对比模型相比，该模型的平均绝对误差至少降低了5.92%。我们还进行了用户研究实验来验证选择策略的有效性。

论文地址：

https://www.zhuanzhi.ai/paper/041f96c7f86a79ebdf9399ea61405aa7

代码地址：

https://github.com/hoyeoplee/MeLU

最近在推荐系统中的研究强调了处理冷启动问题的重要性，即推荐系统中新用户（user）或项目（item）的建模。元学习方法最近在机器学习（ML）中流行起来，用于广泛的任务学习表示。在模型不可知元学习（MAML）的通用建模能力的启发下，我们设计了一个推荐框架，它被训练成足够适合大多数用户。在测试过程中，为了适应特定的用户，模型参数将通过几个梯度步骤进行更新。我们评估我们的方法在三个不同的基准数据集：MovieLens，Netflix和MyFitnesspal进行实验。通过详细的实验研究我们表明该框架比最先进的baseline推荐系统更好地处理用户冷启动模型。并且，所提出的方法在向非冷启动用户提出一般推荐的任务上也表现良好，并有效地照顾到用户的偏好趋势。

论文地址：

https://homangab.github.io/papers/metarecsys.pdf

冷启动问题是对实际推荐系统的长期挑战。大多数现有的推荐算法依赖于大量的观测数据，对于很少交互的推荐场景来说是脆弱的。本文用少样本学习和元学习来解决这些问题。我们的方法是基于这样一种见解，即从几个例子中有一个很好的泛化，依赖于一个通用的模型初始化和一个有效的策略来使这个模型适应新出现的任务。为了实现这一点，我们将场景指定的学习与模型无关的序列元学习结合起来，并将它们统一到一个集成的端到端框架中，即场景指定的序列元学习者（或s^2 Meta）。我们的元学习器通过聚合来自各种预测任务的上下文信息来生成一个通用的初始模型，同时通过利用学习到的知识来有效地适应特定的任务。在各种现实世界数据集上的实验表明，我们提出的模型可以在在线推荐任务中获得对冷启动问题的最好效果。

论文地址：

https://arxiv.org/pdf/1906.00391.pdf

代码地址：

https://github.com/THUDM/ScenarioMeta

矩阵分解（M F）是最流行的项目（item）推荐技术之一，但目前存在严重的冷启动问题。项目冷启动问题在一些持续输出项目的平台中显得特别尖锐（比如Tweet推荐）。在本文中，我们提出了一种元学习策略，以解决新项目不断产生时的项目冷启动问题。我们提出了两种深度神经网络体系结构，实现了我们的元学习策略。第一个体系结构学习线性分类器，其权重由项目历史决定，而第二个体系结构学习一个神经网络。我们评估了我们在Tweet推荐的现实问题上的效果，实验证明了我们提出的算法大大超过了MF基线方法。

论文地址：

https://static.googleusercontent.com/media/research.google.com/zh-CN//pubs/archive/46346.pdf

推荐算法的有效性通常用评价指标来评估，如均方根误差、F1或点击率CTR，在整个数据集上计算。最好的算法通常是基于这些总体度量来选择的，然而，对于所有用户、项目和上下文来说并没有一个单独的最佳算法。因此，基于总体评价结果选择单一算法并不是最优的。在本文中，我们提出了一种基于元学习的推荐方法，其目的是为每个用户-项目对选择最佳算法。我们使用MovieLens 100K和1m数据集来评估我们的方法。我们的方法（RMSE，100K：0.973；1M：0.908）没有优于单个的最佳算法SVD++（RMSE，100k：0.942；1M：0.887）。我们还探索了元学习者之间的区别，他们在每个实例（微级别），每个数据子集（中级）和每个数据集（全局级别）上进行操作。评估表明，与使用的总体最佳算法相比，一个假设完美的微级元学习器将提高RMSE 25.5%。