动机

本文是2021年AAAI的一篇文章。在序列推荐中，如果只有用户物品交互数据而没有其它辅助数据的情况下，以往的冷启动方法无法应用在序列推荐中。因此本文提出了一种基于元学习的序列推荐冷启动框架，称为Mecos。Mecos根据有限的交互数据来提取用户的偏好（只需要用户物品交互信息），并学习将冷启动项目匹配给潜在可能交互的用户。
根据我的想法，本文本质应该就是序列推荐的小样本学习，而元学习可以解决小样本学习问题。

算法

本文解决的是序列推荐中的项目冷启动问题。\(\mathcal{U}\) 和\(\mathcal{V}\)分别代表用户集合和物品集合，表示用户\(u_i\)按时间顺序的交互集。我们的目标是根据\(\zeta_i\)预测下一个点击物品\(v_{i,n+1}\)。

元学习数据集构建

假设冷启动物品为N个，我们首先选出冷启动物品，对于每个冷启动物品，采样K个序列，这样就构成pair(\(\zeta_i\)，\(v_{i,n+1}\))，其中\(v_{i,n+1}\)就是冷启动物品，每个pair作为元学习中的support set。元学习中的query set可表示为(\(\zeta_i\)，?)，?是需要预测的物品，并且support set和query set不相交。下图是有N个冷启动物品且采样序列为3的情况。

编码support set和query set

这里注意每个序列长度不一定相同，而且对于support set中的数据是有标签的，query set中的数据无标签，首先对support set进行编码。
\(v_{i,j}\)表示\(\zeta_i\)中第j个物品的embedding，维度为d，\(v_{i,n+1}\)是下一个点击的物品embedding。因此对于序列\(\zeta_i\)有如下表示

其中\(R(\zeta_i)\)表示序列\(\zeta_i\)，\(P^T\)是投影向量，\(W_a^1，W_a^2，W_a^3\)是可学习的权重参数，，b是偏置向量。之后将序列表示和下一个点击物品embedding结合

其中和是第l层的权重和偏置。
在编码了K个序列对后得到，我们把这个集合中的元素聚合可得

Aggr(·)是聚合函数，可以是mean pooling，max pooling，神经网络等。
在query set中，序列\(\zeta_i\)编码方式相同，但是对于序列对\((\zeta_i,?)\)，因为缺失下一个点击物品，可将上式中\(h_i^0\)表示改为，其余部分和support set中的方式相同。

匹配support set和query set

本文采用以下公式计算support set和query set的相似度，选择和，有以下公式

\(q_i\)为输入，\([q^{t-1}_i;s_j]\)为隐藏状态，\(c^{t-1}\)为cell状态。最终相似度的得分为

目标函数与模型训练

表示对于\((\zeta_i,?)\)每个候选（冷启动）物品的分数。对其应用softmax得

\(\hat y _i\)表示每个候选（冷启动）物品是序列\(\zeta_i\)下一个点击物品的可能性。最终损失函数为

整个算法流程为

结果

本文共使用到三个数据集，冷启动物品为分别在三个数据集中采样20%的物品，这些是交互最少的下一个点击物品。作者将原始模型和集成元学习的模型作为对比，都有较大提升。

总结与展望

本文主要利用了元学习来缓解序列推荐的冷启动问题，与之前方法不同的地方是，只用到了用户与物品的交互数据，整体框架图如下。这是一个比较通用的框架，可以很好地与其它推荐模型融合。未来我觉得可以将该框架再细化，将它改为更针对某种推荐模型，比如针对基于RNN推荐模型、图的推荐模型等等。

标签：set,Meta,support,Learner,序列,via,冷启动,物品,zeta
来源： https://www.cnblogs.com/ambition-hhn/p/15962054.html