Towards Personalized Cold-Start Recommendation with Prompts

要約

レコメンダー システムは、ユーザーが過去の行動に基づいて自分の興味に合った情報を発見できるようにする上で重要な役割を果たします。
ただし、ユーザーとアイテムのインタラクションの履歴記録が利用できない場合、パーソナライズされたレコメンデーション システムの開発は困難になり、いわゆるシステム コールドスタート レコメンデーション問題が発生します。
この問題は、ユーザーエンゲージメント履歴が不十分な新興企業やプラットフォームで特に顕著です。
これまでの研究は、ユーザーまたはアイテムのコールド スタート シナリオに焦点を当てていました。このシナリオでは、システムは新しいユーザーまたはアイテムに対して推奨を行うことができますが、依然として同じドメイン内の過去のユーザーとアイテムのインタラクションでトレーニングされているため、問題を解決できません。
このギャップを埋めるために、私たちの研究では、事前トレーニングされた言語モデルの機能を活用した、革新的で効果的なアプローチを導入しています。
私たちは、レコメンデーションプロセスを、ユーザープロファイルとアイテム属性の情報を含む自然言語の感情分析に変換し、迅速な学習によって感情の極性を予測します。
言語モデルに含まれる広範な知識を利用することで、ユーザーとアイテムの対話履歴の履歴がなくても予測を行うことができます。
コールドスタート設定下で提案手法を評価するためのベンチマークも導入されており、結果は我々の手法の有効性を示しています。
私たちの知る限り、これはシステムのコールドスタート推奨問題に取り組んだ最初の研究です。
このメソッドのベンチマークと実装は、https://github.com/JacksonWuxs/PromptRec で入手できます。

要約(オリジナル)

Recommender systems play a crucial role in helping users discover information that aligns with their interests based on their past behaviors. However, developing personalized recommendation systems becomes challenging when historical records of user-item interactions are unavailable, leading to what is known as the system cold-start recommendation problem. This issue is particularly prominent in start-up businesses or platforms with insufficient user engagement history. Previous studies focus on user or item cold-start scenarios, where systems could make recommendations for new users or items but are still trained with historical user-item interactions in the same domain, which cannot solve our problem. To bridge the gap, our research introduces an innovative and effective approach, capitalizing on the capabilities of pre-trained language models. We transform the recommendation process into sentiment analysis of natural languages containing information of user profiles and item attributes, where the sentiment polarity is predicted with prompt learning. By harnessing the extensive knowledge housed within language models, the prediction can be made without historical user-item interaction records. A benchmark is also introduced to evaluate the proposed method under the cold-start setting, and the results demonstrate the effectiveness of our method. To the best of our knowledge, this is the first study to tackle the system cold-start recommendation problem. The benchmark and implementation of the method are available at https://github.com/JacksonWuxs/PromptRec.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google