本人之前有做过Meta-Learning和冷启动相关的文章,今天偶然看到这篇相同方向的论文,十分有趣。
本文旨在利用元学习解决推荐算法中冷启动的问题。其与MeLU[]工作的不同之处在于加入了用户的社交信息,但Meta-Learning部分的训练、测试框架是按照MeLU完成的。
本文重点在于如何对用户的显式与隐式的社交关系进行建模。
建模过程分为两部分(Fine Level --> Coarse Level)。在Fine Level中,对每个用户支持集中的商品按照评分分类后进行包含注意力机制的聚合操作,从而每个用户得到一个embedding。接着分别对于指定用户的显式以及隐式朋友的embedding进行包含注意力机制的聚合操作,从而得到针对不同评分的embedding。接着在Coarse Level中,对于每个用户的各个部分再次进行拼接操作,最终得到用户embedding,以进行评分预测。
整个模型复杂度较高,可以看出作者为了将社交属性与Meta-Learning以及HIN良好结合煞费苦心。实验部分,本工作的实验比较solid,baseline的数量很多,不同的实验setting也很多,显示出的结果也很好。