本文介绍了Sequential Scenario-Specific Meta Learner（s2Meta），它旨在解决推荐系统的冷启动问题。s2Meta通过元学习初始化推荐器，并采用灵活的更新策略和早停策略以适应具体场景，防止过拟合。实验部分讨论了参数初始化、更新策略和早停策略，以及元学习器的训练方法。
Sequential Scenario-Specific Meta Learner for Online Recommendation
Introduction
冷启动是个长期存在的挑战对于一般的推荐场景来说。大多数推荐算法依赖于大量的观察数据，以及对于没什么联系的推荐算法产生不了足够好的效果。为了解决这个问题，文章使用了few-shot learning以及meta learning,提出了Scenario-specific Sequential Meta learner。元学习器可以产生一个一般的初始化模型通过整合许多预测任务的上下文信息同时模型可以有效适用于具体任务。
序列过程主要包括三个步骤：
- 元学习器自动初始化推荐器以对多数场景适用
- 利用灵活的更新 策略来微调参数
- 及时停止学习以避免过拟合
FrameWork
Recommender Network
Embedding Module:
与一般one-hot 向量的embedding方法相同。
eu=Uxu,ei=Ixie_u=Ux_u, e_i=Ix_ieu=Uxu,ei=Ixi
Hidden Layer Module:
将user和item embedding concat后，送入多层感知机。
eui=[eu,ei]e_{ui}=[e_u,e_i]eui=
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
