基于跨域元学习框架的冷启动用户表示学习方法

摘要

为解决跨域推荐方法过度依赖重叠用户、在冷启动场景中由于数据稀疏导致泛化能力差两个问题，利用元学习快速适应数据稀疏任务的优势，提出一个基于跨域元学习框架的冷启动用户表示学习方法。设计一个多级注意力融合机制，门控循环单元(gate recurrent unit, GRU)获取用户的短期偏好，多级特征注意力融合源域中用户的长短期偏好，获取用户的广义表示。设计一个元网络训练映射函数的初始化参数，将用户在源域中的偏好转移到目标域，获得冷启动用户在目标域中的初始嵌入表示，并以此进行推荐，取得较好结果。利用亚马逊数据集构建了3个跨域推荐任务并进行广泛试验，试验结果表明，本研究模型在平均绝对误差和均方根误差评价中均优于其他基线模型。

关键词

跨域推荐 / 冷启动推荐 / 元学习 / 长短期偏好 / 多级注意力