Preference-Adaptive Meta-Learning for Cold-Start Recommendation阅读笔记

动机

本文是2021年IJCAI上的一篇论文。之前有很多工作利用了元学习来解决推荐系统中的冷启动问题，其中比较有代表性的是MeLU，它学习全局用户的先验知识，冷启动用户可以通过全局用户的先验知识及少量的交互信息快速适应推荐系统。但是全局用户的先验知识不足以学习到用户的复杂行为，泛化性较差。针对以上问题，本文认为有相似偏好的用户应该共享先验知识，而不是所有用户共享全局先验知识，因此提出了PAML模型，它像是加入了社交信息版本的MeLU，在本文中用户用到的是他好友的先验信息。

方法

本文特点就是在于利用到社交关系，重点在于如何找到隐式朋友以及如何利用朋友的先验信息。下图是本文何MeLU的区别。

在异构图上找到隐式朋友

除了显示的朋友外(例如社交软件上的互相关注，微信中的好友等)，还有很多用户可能与当前用户有相似的兴趣爱好，这些用户可以作为该用户的隐式朋友。作者提出了两种方法找到有相似兴趣爱好的用户，以下图为例。第一种是如果两个用户对同一个物品有相同的评分，那么可以认为这两个用户有相似的兴趣(例如蓝色的线标出的，u1和u2都对m1评分为1)。第二种是两个用户对某种拥有相同属性的物品评分相同(例如蓝色的线标出的，u2对m2评分为4，u3对m3评分为4，u2和u3)。

对于\(p_l\)路径，两个用户的相似度为

其中表示与节点\(v_i\)相连且具有属性为\(e_i\)的节点\(v_{i+1}\)的种类。
用户\(u\)和\(u^{'}\)的相似度为

粗-细偏好建模

细粒度建模。
对于每个用户，我们可以将他的特征embedding连接起来作为他的表示。

物品采用同样操作。
之后我们根据用户对物品的评分对物品进行分类，计算出用户在不同评分下的偏好

类似的我们可以获取用户显示朋友和隐式朋友的不同评分下的偏好，并利用注意力机制得

粗粒度建模。
堆叠用户不同评分偏好表示得到\(U\),之后计算得用户粗粒度表示

最终用户的偏好表示为