下一个poi建议的课程元学习

KDD21

存在的问题：

为用户POI交互数量有限的冷启动城市提供推荐服务，需要将隐藏在许多城市丰富数据中的知识转移到这些冷启动的城市。现有文献要么不考虑城市转移问题，要么不能同时解决多个城市不同用户之间的数据稀疏性和模式多样性问题。

创新点：

1.探索转移下一个POI来搜索，将来自多个城市的丰富数据知识转移到数据稀少的冷启动城市的建议。

2.提出一种新颖的课程硬度感知元学习框架（CHAML）该框架将硬样本挖掘和课程学习纳入元学习范式。

CHAML框架考虑了城市层面和用户层面的硬度，从加强元培训期间的条件抽样，并使用城市抽样池的简单到难的课程来帮助元学习者收敛到更好的状态。

为基地和目标城市之间的知识转移量身定制一个合适的转移算法面临的挑战：

1.不同城市之间的共享数据非常有限，使得传输更具有挑战性。首先不同城市的POI没有交叉点，此外城市内的大多数地图搜索记录都来自当地居民，大大减少了不同城市用户的交叉点。

2.不同城市不同用户的地图搜索模式具有很大的多样性，给推荐系统带来了很大的困难。

现有算法不能同时解决这两个问题，传统的预训练和微调技术不能解决2，跨域推荐不能解决1.

框架

 

框架分为两个部分：1.基础推荐框架，2.MAML扩展。第二部分用于将元学习引入到POI推荐中。

两个采样策略组件，1.硬意识元学习&