一文梳理冷启动推荐算法模型进展

嘿,记得给“机器学习与推荐算法”添加星标|作者:朱勇椿|单位:中国科学院大学|研究方向:跨域推荐、多任务学习如何给新加入的用户推荐可能感兴趣的物品?如何将新上架的物品推荐给潜在的用户...
摘要由CSDN通过智能技术生成

嘿,记得给“机器学习与推荐算法”添加星标


作者:朱勇椿

| 单位:中国科学院大学

研究方向:跨域推荐、多任务学习

如何给新加入的用户推荐可能感兴趣的物品?如何将新上架的物品推荐给潜在的用户?这两个问题分别是用户冷启动和物品冷启动,统称为冷启动推荐。冷启动问题是推荐系统中极具挑战的一个问题,也是一个业界学术界同时高度关注的问题,本期为大家分享一些冷启动推荐算法层面的思路。

冷启动推荐特指如何给新用户或者新物品进行推荐。“新”也就意味着交互数据少,因此很难抓获冷启动用户兴趣偏好,以及冷启动物品的特质。如何进行好的冷启动推荐,主要可以从以下几个方面着手:

  • 高效地利用side information

  • 高效地利用有限的交互数据

  • Explore & exploit

除了常见的用户和物品冷启动推荐以外,还有一些其他场景的冷启动问题,本文也会简单进行介绍。


一、高效地利用side information

我们把除了id信息以外的别的信息统称为side information,比如属性特征,用户性别、年龄特征,物品的类别、价格,额外的补充信息比如知识图谱,辅助领域等等。现有的推荐模型已经将用户、物品属性用到模型中,但是针对冷启动问题,这些辅助信息还可以有更加高效的使用方法。

1、高效利用属性特征

1.1 DropoutNet[1]

这篇文章改变了模型训练方式,在训练过程中加入dropout的机制,使得模型不过度依赖于ID embedding,而是其他内容特征。从而使得冷启动推荐主要是根据内容特征来进行推荐,减小了不好的ID embedding的影响。

1.2 MetaEmbedding[2]

冷启动推荐效果不佳,主要原因在于交互数量少,ID embedding学不好。那么为了更好地学习ID embedding,

  • 0
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值