面向冷启动用户的元学习与图转移学习序列推荐

摘要

为解决推荐系统用户冷启动问题，提出面向冷启动用户的元学习与图转移学习序列推荐(sequential recommendation for cold-start users with meta graph transitional learning, MetaGTL)。MetaGTL在不使用其他辅助信息的前提下，采用图神经网络(graph neural network, GNN)建模序列间物品高阶关系生成用户物品嵌入；将交互序列构造为物品对集合，使用序列编码模块捕捉物品间的转移关系，动态建模用户兴趣；采用注意力机制，生成准确的用户特征；采用基于梯度的元学习方法训练模型，生成初始化模型；对模型的工作性能和结果进行详细分析，结合基线模型进行对比评价。试验结果表明，基于元学习与图转移学习的MetaGTL在缺少辅助信息的用户冷启动任务中具有更高的预测精度。

关键词

推荐系统 / 序列推荐 / 用户冷启动 / 图神经网络 / 元学习 / 深度学习