亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

M2EU: Meta Learning for Cold-start Recommendation via Enhancing User Preference Estimation

计算机科学 冷启动(汽车) 水准点(测量) 机器学习 偏爱 推荐系统 偏好学习 人工智能 集合(抽象数据类型) 相似性(几何) 用户建模 代表(政治) 元学习(计算机科学) 方案(数学) 特征学习 用户界面 任务(项目管理) 法学 图像(数学) 航空航天工程 数学分析 工程类 微观经济学 操作系统 大地测量学 政治学 程序设计语言 政治 经济 地理 管理 数学
作者
Zhenchao Wu,Zhou Xiao
标识
DOI:10.1145/3539618.3591719
摘要

The cold-start problem is commonly encountered in recommender systems when delivering recommendations to users or items with limited interaction information and can seriously harm the performance of the system. To cope with this issue, meta-learning-based approaches have come to the rescue in recent years by enabling models to learn user preferences globally in the pre-training stage followed by local fine-tuning for a target user with only a few interactions. However, we argue that the user representation learned in this way may be inadequate to capture user preference well since solely utilizing his/her own interactions may be far from enough in cold-start scenarios. To tackle this problem, we propose a novel meta-learning method named M2EU to enrich the representations of cold-start users by incorporating the information from other similar users who are identified based on the similarity of both inherent attributes and historical interactions. In addition, we design an attention mechanism according to the variances of ratings in the aggregation of similar user embeddings. To further enhance the capability of user preference modeling, we devise different neural layers to generate user or item embeddings at the rating level and utilize the weight-sharing strategy to guarantee adequate parameters learning of neural layers in our meta-learning approach. In meta-training with mini-batching, we adopt an incremental learning scheme to learn a set of generalized parameters for all tasks. Experimental results on the public benchmark datasets demonstrate that M2EU outperforms state-of-the-art methods through extensive quantitative evaluations in various cold-start scenarios.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
5秒前
6秒前
TIWOSS发布了新的文献求助10
7秒前
Albert完成签到,获得积分10
8秒前
冰西瓜完成签到 ,获得积分10
8秒前
莫妮卡卡发布了新的文献求助10
11秒前
甜美的秋尽完成签到,获得积分10
11秒前
sycsyc完成签到,获得积分10
14秒前
Dream点壹完成签到,获得积分10
15秒前
wcc发布了新的文献求助30
17秒前
香蕉觅云应助TIWOSS采纳,获得10
21秒前
李健的小迷弟应助熊猫侠采纳,获得10
21秒前
科研通AI5应助皮代谷采纳,获得150
22秒前
天天好心覃完成签到 ,获得积分10
23秒前
gxmu6322完成签到,获得积分10
24秒前
莫妮卡卡发布了新的文献求助10
26秒前
潮人完成签到 ,获得积分10
26秒前
科研通AI2S应助科研通管家采纳,获得10
26秒前
科研通AI2S应助科研通管家采纳,获得30
26秒前
Eugene完成签到,获得积分10
27秒前
xiuxiuzhang完成签到 ,获得积分10
28秒前
千纸鹤完成签到 ,获得积分10
29秒前
29秒前
顾矜应助momo采纳,获得10
31秒前
熊猫侠发布了新的文献求助10
33秒前
wcc完成签到,获得积分20
34秒前
oleskarabach完成签到,获得积分20
36秒前
yema完成签到 ,获得积分10
36秒前
36秒前
41秒前
皮代谷发布了新的文献求助150
42秒前
莫妮卡卡发布了新的文献求助10
42秒前
43秒前
44秒前
聪明的心语关注了科研通微信公众号
48秒前
刀特左发布了新的文献求助10
48秒前
TIWOSS发布了新的文献求助10
49秒前
51秒前
甜甜的以筠完成签到 ,获得积分10
52秒前
高分求助中
Les Mantodea de Guyane Insecta, Polyneoptera 2500
Technologies supporting mass customization of apparel: A pilot project 450
A Field Guide to the Amphibians and Reptiles of Madagascar - Frank Glaw and Miguel Vences - 3rd Edition 400
A China diary: Peking 400
Brain and Heart The Triumphs and Struggles of a Pediatric Neurosurgeon 400
Cybersecurity Blueprint – Transitioning to Tech 400
Mixing the elements of mass customisation 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3784786
求助须知:如何正确求助?哪些是违规求助? 3330050
关于积分的说明 10244053
捐赠科研通 3045345
什么是DOI,文献DOI怎么找? 1671626
邀请新用户注册赠送积分活动 800524
科研通“疑难数据库(出版商)”最低求助积分说明 759483