CoMeta: 在推荐的冷启动问题中利用协同信息增强元嵌入
摘要：冷启动问题对于现有的推荐模型来说是非常具有挑战性的。特别是对于只有少量交互的新项目，它们的ID嵌入训练不充分，导致推荐性能较差。一些最近的研究引入元学习来解决冷启动问题，通过生成新项目的元嵌入作为初始ID嵌入。然而，我们认为这些方法的能力有限，因为它们主要利用项目属性特征，这些特征只包含了少量信息，但忽略了用户和旧项目的ID嵌入中包含的有用的协作信息。为了解决这个问题，我们提出了CoMeta来增强元嵌入和协作信息。CoMeta包括两个子模块：B-EG和S-EG。具体而言，对于一个新项目：B-EG通过计算旧项目的ID嵌入的相似度加权和来计算其基础嵌入；S-EG不仅使用其属性特征，还使用与之交互的用户的平均ID嵌入来生成其移位嵌入。最终的元嵌入是通过将基础嵌入和移位嵌入相加得到的。我们在两个公共数据集上进行了大量实验。实验结果证明了CoMeta的有效性和兼容性。
作者：Haonan Hu, Dazhong Rong, Jianhai Chen, Qinming He and Zhenguang Liu
论文ID：2303.07607
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-06-09