论文 ：Transform Cold-Start Users into Warm via Fused Behaviors in Large-Scale Recommendation

下载 ：https://dl.acm.org/doi/abs/10.1145/3477495.3531797
原文地址：SIGIR'22 | 大规模推荐系统中冷启动用户预热的融合序列建模

摘要

冷启动用户推荐是推荐系统中的经典问题。现有的深度推荐系统希望对不同用户产生不同的个性化推荐，但由于以下挑战，其对冷启动用户的推荐效果与已有用户相比往往面临着显著的性能下降：(1) 冷启动客户与模型见过的已有用户之间在一些特征的分布上存在偏差；(2) 模型难以基于少量行为去表征冷启动客户。在本文中，我们提出了一种能够缓解上述问题的推荐模型（Cold-Transformer）。首先，我们设计了一个Embedding Adaption（EA）层用来消除这种特征分布偏差问题，它将冷启动用户的嵌入预热，转换为更类似于现有用户的嵌入，以表征相应的用户偏好。其次，为了利用冷启动用户的少量行为来帮助表征用户，我们提出了通过Label Encoding（LE）同时建模正负反馈混合序列，这样模型能够利用更多行为信息。最后，为了能够使模型应用在工业的大规模的推荐系统中，我们保留了将用户和目标项目分离的双塔架构。在公共和工业数据集上进行的大量实验表明，Cold-Transformer能够取得显著的好于目前SOTA方法的效果，对比方法包括非双塔的深度耦合模型。基于该项工作整理的论文已发表在SIGIR 2022，欢迎阅读交流。