背景

推薦系統(tǒng)旨在預(yù)測用戶對物品的偏好，從而向用戶提供其感興趣的商品，其為用戶解決了信息過載問題。但是，新用戶或新商品的交互數(shù)據(jù)往往是非常稀疏的，即導(dǎo)致冷啟動問題，冷啟動推薦是當前一個非常有挑戰(zhàn)的研究問題。

大部分現(xiàn)有工作從數(shù)據(jù)層面嘗試緩解冷啟動問題，例如融合額外信息作為用戶或商品的特征，或者利用異質(zhì)信息網(wǎng)絡(luò)來捕獲結(jié)構(gòu)和語義信息。在模型層面，元學(xué)習(xí)方法為緩解冷啟動問題提供了一些新思路。但已有方法通常直接將元學(xué)習(xí)框架（如MAML）用于冷啟動問題，而忽略了推薦中的異質(zhì)圖結(jié)構(gòu)和語義信息。

基于此，我們提出 MetaHIN 模型，以緩解異質(zhì)信息網(wǎng)絡(luò)中的冷啟動問題。 MetaHIN 在模型層面探索了元學(xué)習(xí)的能力，同時在數(shù)據(jù)層面研究了異質(zhì)信息網(wǎng)絡(luò)的表達能力。在 MetaHIN 中，我們提出使用多方面的語義上下文來增強每個用戶的任務(wù)，因此設(shè)計了一種新穎的語義增強型任務(wù)構(gòu)建器，用于在元學(xué)習(xí)場景中捕獲異質(zhì)信息網(wǎng)絡(luò)中的語義信息。進一步地，我們構(gòu)建了一個協(xié)同適應(yīng)元學(xué)習(xí)器該學(xué)習(xí)器，其既具有語義層面的適應(yīng)性又具有任務(wù)層面的適應(yīng)性。模型整體框架如下圖所示：

語義增強型任務(wù)構(gòu)建器

協(xié)同適應(yīng)元學(xué)習(xí)器

基礎(chǔ)模型

基礎(chǔ)模型包括用于生成用戶表示的上下文聚合函數(shù)，和用于預(yù)測評分的偏好預(yù)測函數(shù)。在上下文聚合中，用戶的表示由其上下文聚合而來，即：

協(xié)同適應(yīng)

實驗結(jié)果

本文在三個冷啟動推薦場景和一個傳統(tǒng)推薦場景下驗證 MetaHIN 的有效性，進行模型分析和參數(shù)分析。在三個公開數(shù)據(jù)集上，實驗結(jié)果如下表所示。可以看到，我們提出的 MetaHIN 在各個數(shù)據(jù)集上都有較好的表現(xiàn)。同時，我們還做了一些參數(shù)實驗，具體結(jié)果可參考論文。相關(guān)論文及代碼已經(jīng)發(fā)布在實驗室主頁 http://www.shichuan.org 及 https://yuanfulu.github.io 上，歡迎關(guān)注。