冷启动推荐是当前一个非常有挑战的研究问题

背景

推荐系统旨在预测用户对物品的偏好，从而向用户提供其感兴趣的商品，其为用户解决了信息过载问题。但是，新用户或新商品的交互数据往往是非常稀疏的，即导致冷启动问题，冷启动推荐是当前一个非常有挑战的研究问题。

大部分现有工作从数据层面尝试缓解冷启动问题，例如融合额外信息作为用户或商品的特征，或者利用异质信息网络来捕获结构和语义信息。在模型层面，元学习方法为缓解冷启动问题提供了一些新思路。但已有方法通常直接将元学习框架（如MAML）用于冷启动问题，而忽略了推荐中的异质图结构和语义信息。

基于此，我们提出 MetaHIN 模型，以缓解异质信息网络中的冷启动问题。 MetaHIN 在模型层面探索了元学习的能力，同时在数据层面研究了异质信息网络的表达能力。在 MetaHIN 中，我们提出使用多方面的语义上下文来增强每个用户的任务，因此设计了一种新颖的语义增强型任务构建器，用于在元学习场景中捕获异质信息网络中的语义信息。进一步地，我们构建了一个协同适应元学习器该学习器，其既具有语义层面的适应性又具有任务层面的适应性。模型整体框架如下图所示：

语义增强型任务构建器

协同适应元学习器

基础模型

基础模型包括用于生成用户表示的上下文聚合函数，和用于预测评分的偏好预测函数。在上下文聚合中，用户的表示由其上下文聚合而来，即：

协同适应

实验结果

本文在三个冷启动推荐场景和一个传统推荐场景下验证 MetaHIN 的有效性，进行模型分析和参数分析。在三个公开数据集上，实验结果如下表所示。可以看到，我们提出的 MetaHIN 在各个数据集上都有较好的表现。同时，我们还做了一些参数实验，具体结果可参考论文。相关论文及代码已经发布在实验室主页 http://www.shichuan.org 及 https://yuanfulu.github.io 上，欢迎关注。