Task Similarity Aware Meta Learning for Cold-Start Recommendation阅读笔记

动机

本文是2022年CIKM上的一篇论文。目前解决物品冷启动的方法通常有两种：1.通过物品的特征补充信息。2.元学习。前者通常只考虑到利用物品的属性，而后者旨在为所有新物品生成一个全局共享的初始化。本文提出的TSAML结合上述两种方法的优点，它是一个任务相似性感知的元学习框架。

方法

TSAML整体框架如下。

Task Similarity Representation

这里把一个物品看作一个任务，首先需要计算显示相似性

之后需要计算隐式相似，物品i和j的相似度计算公式如下

u和v是同时与物品i和j交互的用户，用户交互物品越少，有越大的权重。
之后根据与每个物品最相似的n个物品可以计算出该物品的隐式相似性

最终任务(物品)的表示为

Auto Soft Cluster

我们假设有K类任务，对于一个任务i，它属于第k类的可能性为


最终任务i的集群表示为

Initialization Modulation Network

利用任务的表示，对网络进行一个调制

Meta Optimization

类似MeLU，在local update更新除embedding外的参数，global update更新所有参数。

实验结果

本文提出的方法取得最好效果。

总结

本文方法的有效性，个人认为是在生成新物品表示的时候同时利用了新物品的属性和与它相似的老物品的id embedding，同时用这些表示调制网络，可以为新用户进行更个性化的推荐。在为新物品生成id表示时，要用到更多与其相关的信息，例如有交互的用户、相似的物品、自身的属性。