对于推荐系统来说,用户冷启动推荐是一个长期存在的挑战,因为只有很少的冷启动用户交互可以被利用。最近的研究试图从元学习的角度解决这一挑战,大多数研究遵循参数初始化的方式,即通过几个步骤的梯度更新来学习模型参数。虽然这些基于梯度的元学习模型在一定程度上取得了良好的性能,但其中的一个根本问题是如何将从以前任务中学习到的全局知识更有效地用于冷启动用户的推荐。
本文提出了一种新的元学习推荐方法——任务自适应神经过程(TaNP)。TaNP是神经过程家族中的一个新成员,为每个用户作出推荐都与相应的随机过程相关联。TaNP直接将每个用户观察到的交互作用映射到一个预测分布,避开了基于梯度的元学习模型中的一些训练问题。更重要的是,为了平衡模型容量和适应可靠性之间的平衡,我们引入了一种新的任务适应机制。它使我们的模型能够学习不同任务的相关性,并自定义全局知识到与任务相关的解码器参数,以估计用户的偏好。在不同的实验设置下,我们在多个基准数据集上验证了TaNP。实证结果表明,TaNP对几个最先进的元学习推荐器产生了一致的改进。
https://www.zhuanzhi.ai/paper/6e268c251725b797f632dec7d4b6ceef
专知便捷查看
便捷下载,请关注专知公众号(点击上方蓝色专知关注)
后台回复“TANP” 就可以获取《【WWW2021】用于用户冷启动推荐的任务自适应神经过程》专知下载链接