论文阅读笔记：From Zero-Shot Learning to Cold-Start Recommendation

论文：From Zero-Shot Learning to Cold-Start Recommendation / 从零样本学习到冷启动推荐
作者：Jingjing Li, Mengmeng Jing, Ke Lu, Lei Zhu, Yang Yang, Zi Huang
发表刊物：AAAI
发表年度：2019
下载地址：https://arxiv.org/abs/1906.08511

Abstract

零样本学习和冷启动推荐分别是计算机视觉和推荐系统中具有挑战性的研究问题，它们一般来各自的社区中被独立地研究。本文指出，零样本学习和冷启动推荐本质上是同一个研究问题，它们的目标都是要预测未知类的标签且都涉及特征表示空间和支持空间。本文首次提出使用零样本学习方法解决冷启动推荐问题，具体地，作者提出了低秩线性自编码器，该模型能够同时缓解领域漂移、伪相关和计算效率问题。该模型包括一个将用户行为映射到用户属性的地址编码器和一个从用户属性重构用户行为的解码器。实验证明，该方法可以同时提升零样本学习和冷启动推荐的精度。

Introduction

推荐系统的目的是在产品具有无限库存的假定下基于用户的当前上下文和过去的行为，为用户推荐一组他可能感兴趣的产品。但是，如果用户的历史行为不可用呢？例如很多推荐系统无法为新用户推荐，尤其是基于协同过滤的推荐系统。这一类问题被称为冷启动推荐问题，最近，学者们通过引入跨领域信息、个人信息或社交网络信息来缓解推荐系统中的用户冷启动问题。

目前缓解冷启动推荐问题的方法的思路是利用用户偏好来为新用户生成推荐结果。此过程涉及两个空间：属性空间和行为空间，其中属性空间包含用户偏好和个人信息，行为空间包含用户购买行为和历史交互，属性空间用于描述用户偏好，行为空间用于描述用户与目标系统的交互。那么冷启动推荐可以定义为：当行为空间中没有用户的交互数据但属性空间中有关于用户的辅助信息时，如何为一个新用户生成推荐。基于“具有相似偏好的用户往往具有相似的消费行为”假设，可以分两步进行冷启动推荐：1）将行为空间映射到属性空间，使得新/老用户产生联系；2）通过用户属性重构用户行为以产生推荐结果。

基于以上分析，我们可以发现，冷启动推荐问题本质上是零样本学习问题，具体地，零样本学习和冷启动推荐都涉及两个空间，一个用于直接特征表示，另一个用于补充描述，且二者的目标都是通过利用可见类和未知类之间共享的描述空间中的信息，预测属性空间中未知类的标签。本文首次提出使用零样本学习方法解决冷启动推荐问题，这种做法往往会面临以下问题：1）领域漂移问题：不仅行为空间和属性空间是异质的，老用户和新用户的概率分布也是不同的；2）稀疏性问题：在冷启动推荐中，用户行为较少导致用户-产品交互矩阵过于稀疏；3）效率问题：推荐系统是在线系统，用户讨厌等待。

作者提出低秩线性自编码器来从零样本学习的视角解决冷启动推荐问题，该模型采用编码器-解码器范式，解码器的重构过程能够有效缓解用户行为和用户属性间的领域漂移问题，且该模型的计算成本与样本量无关。模型中的低秩限制解决稀疏性问题，低秩表示有助于揭示主要因素而过滤掉无关的因素。

本文的主要贡献在于：

1）揭示了零样本学习和冷启动推荐是同一类问题，在零样本学习和冷启动推荐之间建立了联系，使得两个社区的成果可以共享；

2）提出了线性低秩自编码器模型，该模型能够有效缓解领域漂移问题、稀疏性问题和效率问题；

3）在零样本学习和冷启动推荐设定下的实验结果显示该模型能够同时为零样本学习和冷启动推荐问题带来性能提升。

Related Work

零样本学习：人类可以仅仅通过语义描述来识别之前从未看到过的物体，零样本学习算法也力求做到这一点：通过学习从视觉空间到语义空间的映射或从语义空间到视觉空间的映射来实现这一功能。从宏观的视角来看，零样本学习算法可以被分为三类：1）学习从视觉空间到语义空间的映射函数；2）学习从语义空间到视觉空间的映射函数；3）学习一个由视觉信息和语义信息共享的隐空间。

冷启动推荐：我们关注利用辅助信息解决冷启动推荐问题的研究，辅助信息可以是用户属性、个人信息或用户社交网络数据。这些研究中提出的方法可以大致分为三类：基于相似性的模型、基于矩阵分解的模型和基于特征映射的模型。