【TOIS2022】TOIS：基于元学习的冷启动序列推荐，Learning to Learn a Cold-start Sequential Recommender

冷启动（cold start）推荐是目前在线应用中一个亟待解决问题，其目的是为在线行为稀疏/缺失的用户提供尽可能准确的个性化推荐。本工作采用元学习的思想以解决用户冷启动推荐问题。本文提出了一个基于元学习的端到端冷启动序列推荐框架metaCSR，将具有充分行为的温启动（warm start）/普通用户的交互作为输入，并为具有少量行为的冷启动用户输出“next-one”物品预测。metaCSR的关键思想是从普通用户行为中学习常见的模式，并应用于新用户的模型参数初始化中，以便模型能够在一次或几次梯度更新后迅速适应新用户，从而实现冷启动推荐最佳性能。metaCSR框架图如图1所示，包括三个主要模块：Diffusion Representer用于通过交互图上的信息扩散学习更好的用户/物品嵌入表征；Sequential Recommender用于捕捉行为序列的时间依赖性；Meta Learner用于提取和传播先前用户的可迁移知识并为新用户学习一个好的初始化参数。实验证明metaCSR具有良好的泛化性能，同时在温启动和冷启动推荐场景中均表现最佳。