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

基金资助

国家自然科学基金资助项目（61902221,62177031）; 山东省自然科学基金资助项目（ZR2021MF099,ZR2022MF334）; 山东省教学改革研究项目（M2021130,M2022245,Z2022202）; 山东省优质专业学位教学案例库建设项目（SDYAL2022155）; 山东省重点研发计划（软科学项目）资助项目（2021RKY03056）