【AAAI2021】元学习器的冷启动序列推荐

本文探讨了元学习在序列推荐中的应用，以缓解项目冷启动问题。序列推荐旨在根据用户的历史行为序列捕获用户的动态偏好，是大多数在线推荐场景的关键组成部分。然而，大多数以前的方法难以推荐冷启动项目，这在这些情况下是普遍存在的。由于在序列推荐任务的设置中通常没有附加信息，所以当只有用户-项目交互可用时，不能运用以前的冷启动方法。因此，我们提出了一种基于元学习的冷启动序列推荐框架，即Mecos，以缓解序列推荐中项目冷启动问题。这项任务不是微不足道的，因为它的目标是一个重要的问题，在一个新颖的和具有挑战性的背景下。Mecos有效地从有限的交互中提取用户偏好，并学习将目标冷启动项目与潜在用户匹配。此外，我们的框架可以轻松地集成基于神经网络的模型。在三个真实世界的数据集上进行的大量实验验证了Mecos的优越性，与最先进的基线方法相比，在HR@10的平均改进高达99%，91%和70%。