本文介绍今年发表在ICML'21的工作，提出了一种计算推荐系统中用户嵌入表示（embedding）的新方法，有望被用来解决冷启动问题或在线场景中及时处理新用户。方法的核心思想如下：1）对数据集中一部分用户（例如点击数较多的用户）采用传统协同过滤得到嵌入表示；2）利用这些用户的嵌入表示的加权组合去计算其他用户（例如点击数较少的用户或全新的用户）的嵌入表示。这样做的目的是利用一部分well-trained的用户表示去间接计算另一部分few-shot或zero-shot的用户表示（直接计算容易过拟合），从而提升在少样本用户或新用户上的泛化性能。同时，这种表示方法可以实现inductive learning，即模型可以灵活的处理未来出现的新用户，不需要重新训练。
该方法的核心思想很简单，但有严格的理论保障，也在公开数据集上取得了优异的结果。核心思想可以被拓展到其他推荐系统的场景和方法上，也能被用到其他领域去处理一般化的实体表征学习的问题。
论文题目：Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach
成为VIP会员查看完整内容
Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach
相关内容
协同过滤（英语：Collaborative Filtering），简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人透过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。协同过滤又可分为评比（rating）或者群体过滤（social filtering）。其后成为电子商务当中很重要的一环，即根据某顾客以往的购买行为以及从具有相似购买行为的顾客群的购买行为去推荐这个顾客其“可能喜欢的品项”，也就是借由社群的喜好提供个人化的信息、商品等的推荐服务。除了推荐之外，近年来也发展出数学运算让系统自动计算喜好的强弱进而去芜存菁使得过滤的内容更有依据，也许不是百分之百完全准确，但由于加入了强弱的评比让这个概念的应用更为广泛，除了电子商务之外尚有信息检索领域、网络个人影音柜、个人书架等的应用等。
Arxiv
0+阅读 · 2022年4月18日
Arxiv
0+阅读 · 2022年4月15日
Arxiv
11+阅读 · 2018年5月9日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2022年4月18日
Arxiv
0+阅读 · 2022年4月15日
Arxiv
11+阅读 · 2018年5月9日
微信扫码咨询专知VIP会员