Is Meta-Learning the Right Approach for the Cold-Start Problem in Recommender Systems?

要約

レコメンダー システムは、最新のオンライン製品やサービスの基本的な構成要素となっており、ユーザー エクスペリエンスに多大な影響を与えています。
ここ数年、深層学習手法は多くの研究を集めており、現在では現代の実世界のレコメンダー システムで頻繁に使用されています。
それにもかかわらず、コールドスタート設定での推奨事項の処理（たとえば、ユーザーがシステム内で限定的な対話を行った場合）は、解決には程遠い問題です。
メタ学習技術、特に最適化ベースのメタ学習は、最近、レコメンダー システムの深層学習モデルにおけるコールド スタート問題に取り組むための学術研究文献で最も人気のあるアプローチとなっています。
ただし、現在のメタ学習アプローチは、数十億のユーザーとアイテムがあり、遅延要件が厳しい現実世界のレコメンダー システムには実用的ではありません。
この論文では、メタ学習技術を使用せずに、コールド スタート問題で一般的に使用されるベンチマークと同様、またはそれ以上のパフォーマンスを得ることが可能であることを示します。
さらに詳しく説明すると、正しく調整された場合、標準的で広く採用されている深層学習モデルが、新しいメタ学習モデルと同等のパフォーマンスを発揮することを示します。
さらに、一般的な表現学習手法を使用した非常にシンプルなモジュール型アプローチが、コールド スタート設定用に特別に設計されたメタ学習手法と同等のパフォーマンスを発揮できると同時に、現実世界のアプリケーションにはるかに簡単に導入できることを示します。

要約(オリジナル)

Recommender systems have become fundamental building blocks of modern online products and services, and have a substantial impact on user experience. In the past few years, deep learning methods have attracted a lot of research, and are now heavily used in modern real-world recommender systems. Nevertheless, dealing with recommendations in the cold-start setting, e.g., when a user has done limited interactions in the system, is a problem that remains far from solved. Meta-learning techniques, and in particular optimization-based meta-learning, have recently become the most popular approaches in the academic research literature for tackling the cold-start problem in deep learning models for recommender systems. However, current meta-learning approaches are not practical for real-world recommender systems, which have billions of users and items, and strict latency requirements. In this paper we show that it is possible to obtaining similar, or higher, performance on commonly used benchmarks for the cold-start problem without using meta-learning techniques. In more detail, we show that, when tuned correctly, standard and widely adopted deep learning models perform just as well as newer meta-learning models. We further show that an extremely simple modular approach using common representation learning techniques, can perform comparably to meta-learning techniques specifically designed for the cold-start setting while being much more easily deployable in real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google