Fast Adaptation for Cold-start Collaborative Filtering with Meta-learning阅读笔记

动机

本文是2020年ICDM上的一篇论文。协同过滤是推荐系统最常用的算法之一，但是协同过滤算法很难去解决冷启动问题。通常解决冷启动的方法是利用额外的信息，例如用户的社交关系、职业等等，但由于这些辅助信息并不总是可用的，因此，如何应对协同过滤模型中的冷启动问题是至关重要的。本文作者提出了一个学习范式MetaCF，它可以让CF模型中拥有少量的交互信息的新用户快速适应系统。

算法

下述是MetaCF的框架图，它使用的是当前较为流行的元学习框架——MAML。

具体算法如下。

下面介绍本文的几个关键点。

模型灵活更新

简单来说，就是把学习率也当作参数，学习到合适的学习率。由于MAML方法对本地更新的学习率\(\alpha\)十分敏感，微小的学习率改动就有可能使模型性能急剧下降。一个固定的学习率可能很难使模型收敛，因此我们设置了一种自动学习学习率的方法。

其中\(w\)是各种可学习的参数，学习率\(\alpha\)大小和\(w\)相同。

动态子图采样

动态子图采样是MetaCF的核心部分。由于不同用户的交互数目很可能是不一样的，对每个用户采样固定数目k个交互是不合适的。因此本文针对每个用户随机选择\(k\in[1,K]\)个交互，其余交互作为验证。
详细的动态子图采样算法如下。

结合潜在的交互

这里根据BiNE算法，计算出物品的embedding，物品i和物品j之间的相似度为

用户u对物品j的兴趣为

对于每个用户u，我们选择与他没交互的且得分最高的k个节点作为他的邻居节点(k的值和动态子图中采样的k相同)，这里的节点只用于动态子图采样，不用于正采样和负采样。

损失函数

损失函数采用BPR loss。

实例化

作者将MetaCF用在FISM和NGCF两个较为具有代表性的协同过滤模型上。

实验结果

作者在三个数据集下做了相关实验，可以看出本文提出的MetaCF可以显著提高CF模型在冷启动场景中的性能。

总结

本文提出的MetaCF可以使CF模型中的只有少量交互信息的新用户快速适应推荐系统，同时也可以加入额外的用户信息来获取更好的效果。结合MetaCF，未来有三个可以探索的方向，一是物品冷启动，二是结合知识图谱，三是序列推荐冷启动。