《MeLU:Meta-Learned User Preference Estimator for Cold-Start Recommendation 》论文走读

摘要 本文提出了一种新的推荐系统,解决了基于少量样本物品来估计用户偏好的冷启动问题。为了确定用户在冷启动状态下的偏好,现有的推荐系统,如Netflix,最初向用户提供商品,我们称这些物品为候选商品。然后根据用户选择的物品提出建议。以往的推荐研究有两个局限性:(1)消费了少量商品的用户推荐不佳,(2)候选的商品过少或者不准备,不能够较好的反应用户的偏好。为了克服这两个限制,我们提出了一种基于元学习的
相关文章
相关标签/搜索