个性化推荐系统利用元学习进行场景化研究 | KDD 2019
发布时间
阅读量：
阅读量
现有的推荐机制通常局限于单一的具体情境，并且仅针对固定不变的用户群体和服务对象进行商品推荐工作
首先是对场景冷启动问题而言，在现实中对场景的关注往往符合长尾效应，在启动初期得到关注相对较少的情况相当普遍。这意味着在这些特定场景下的训练数据量有限，在现有推荐算法中成为一个巨大的挑战。其次是关于用户偏好迁移问题的问题。对于绝大多数的场景来说，在当前场合作为交互数据仅有少部分用户的参与情况普遍存在。因此我们需要通过分析该用户在其他场合作业偏好来推断其当前场所在偏好情况。最后是针对不同场别下的超参数选择问题这一挑战。基于机器学习的方法其性能很大程度上依赖于不同场别下的超参数选择情况不一 manual parameter tuning仅凭丰富的经验和大量计算资源难以确保达到最佳效果。
为了解决这一挑战，我们提出利用元学习机制（Meta Learning
全部评论 (0)
还没有任何评论哟~