RecSys2024 | 基于提示微调的物品冷启动推荐

文章预览

嘿，记得给“ 机器学习与推荐算法 ”添加 星标 TLDR: 针对推荐系统中物品冷启动问题，本文提出了PROMO方法。具体来说，该方法利用高价值的正面反馈作为提示信息，同时构建针对每个物品的个性化提示网络来编码这些提示信息，以缓解模型对热门物品的偏好。PROMO通过引入正面反馈提示增强损失和公平性感知提示增强损失，优化了提示信息的利用，提高了冷启动推荐的性能。 论文： https://arxiv.org/abs/2412.18082 代码： https://github.com/PROMOREC/PROMO 在推荐系统中，物品冷启动问题是一个普遍存在的现象。每当有新的物品加入推荐系统时，由于缺乏足够的用户交互数据，如点击、浏览、购买等行为记录，推荐系统很难准确地捕捉到用户对这些新物品的兴趣和偏好。这不仅限制了新物品的曝光机会，也影响了推荐系统的整体推荐效果。例如，在一个电商平台 ………………………………