FEASE: Shallow AutoEncoding Recommender with Cold Start Handling via Side Features

要約

ユーザーとアイテムのコールドスタートは、レコメンデーションシステムの産業応用において重要な課題となっている。ユーザーとアイテムのインタラクションデータをメタデータで補完することは一般的な解決策であるが、多くの場合、新たなバイアスを導入する代償を払うことになる。本研究では、このようなコールドスタートの問題に対処するために、ユーザーとアイテム側の情報をシームレスに統合する拡張EASEモデル、すなわちFEASEを導入する。我々のオートエンコーダーベースの方法は、コールドアイテムの豊富なコンテンツ信号を活用しながら、データが乏しい環境でのユーザー表現を洗練させる閉形式の解を生成する。重要な点として、我々の手法は、余分なバイアスを発生させることなく、コールドスタートアイテムを効果的に推薦し、コールドスタートユーザーを処理することでバランスを取り、暖かい環境においても強力なパフォーマンスを維持する。実験結果は、従来の協調フィルタリングアプローチと比較して、推薦精度と頑健性が向上していることを示している。さらに、我々のモデルは将来の比較研究のための強力なベースラインとして役立つ。

要約(オリジナル)

User and item cold starts present significant challenges in industrial applications of recommendation systems. Supplementing user-item interaction data with metadata is a common solution-but often at the cost of introducing additional biases. In this work, we introduce an augmented EASE model, i.e. FEASE, that seamlessly integrates both user and item side information to address these cold start issues. Our straightforward, autoencoder-based method produces a closed-form solution that leverages rich content signals for cold items while refining user representations in data-sparse environments. Importantly, our method strikes a balance by effectively recommending cold start items and handling cold start users without incurring extra bias, and it maintains strong performance in warm settings. Experimental results demonstrate improved recommendation accuracy and robustness compared to previous collaborative filtering approaches. Moreover, our model serves as a strong baseline for future comparative studies.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL