Sequential Scenario-Specific Meta Learner在线推荐系统分析

序列场景特定元学习者在在线推荐中的应用

Introduction

冷启动问题长期以来一直是推荐系统中普遍面临的难题。常规的推荐方法通常需要依赖大量观测数据，而对于缺乏足够关联性的场景则难以发挥良好效果。为应对这一困境，本文引入了few-shot learning与meta learning技术，构建了一个面向特定情境的序列元学习模型——Scenario-specific Sequential Meta learner。该元学习器能够通过整合多个预测任务的上下文信息，生成一个具备通用性的初始模型，并使模型能够有效适配具体任务需求。

序列处理流程主要涵盖以下三个阶段：

1. 元学习器负责对推荐系统进行自动初始化，使其适用于多数场景
2. 采用灵活的参数更新机制对模型进行微调
3. 在适当时候终止训练过程，以防止出现过拟合现象

FrameWork

Recommender Network

Embedding Module:

该模块所采用的嵌入方式与常规one-hot向量的嵌入方法具有一致性。

$e_u=U