本文介绍了纽约大学斯特恩商学院博士李磐的研究，他提出了对偶学习应用于跨域推荐，以解决传统迁移学习中源域和目标域推荐性能不平衡的问题。通过对偶学习，实现了双向迁移，提高了推荐系统的整体性能。实验结果表明，该方法在多个数据集上超越了现有基准模型。
点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入！
作为跨域推荐的有力手段，迁移学习在建模用户行为及偏好的过程中得到了学术界与工业界的广泛运用。传统迁移学习往往聚焦于从源域到目标域的单向迁移过程，这样会导致不平衡的优化过程以及“侵蚀效应”，即一个域里推荐性能的提升会导致另一个域里推荐性能的下降。在我们的一系列工作里，我们提出用对偶学习的思想来建模跨域推荐，而我们所提出的模型不仅带来了理论上的良好优化性质，也在实际运用中大幅超过了最新的基准模型。以此，我们的对偶学习模型对工业界解决相关问题也有重要的启发。
本期AI TIME PhD直播间，我们邀请到纽约大学斯特恩商学院博士——李磐，为我们带来报告《对偶学习与跨域推荐》。
李磐：
纽约大学斯特恩商学院信息系统专业五年级博士生，导师为Alexander Tuzhilin。博士期间致力于将商学院用户行为理论与推荐系统模型进行结合，以提升用户满意度及平台效用价值。研究工作发表于顶级计算机刊物，包括TKDE, TIST, TMIS, KDD, WSDM,
最低0.47元/天 解锁文章
20
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
