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...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。展开更多
文摘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。
