背景

推薦系統旨在預測用戶對物品的偏好，從而向用戶提供其感興趣的商品，其為用戶解決了信息過載問題。但是，新用戶或新商品的交互數據往往是非常稀疏的，即導致冷啟動問題，冷啟動推薦是當前一個非常有挑戰的研究問題。

大部分現有工作從數據層面嘗試緩解冷啟動問題，例如融合額外信息作為用戶或商品的特征，或者利用異質信息網絡來捕獲結構和語義信息。在模型層面，元學習方法為緩解冷啟動問題提供了一些新思路。但已有方法通常直接將元學習框架（如MAML）用于冷啟動問題，而忽略了推薦中的異質圖結構和語義信息。

基于此，我們提出 MetaHIN 模型，以緩解異質信息網絡中的冷啟動問題。 MetaHIN 在模型層面探索了元學習的能力，同時在數據層面研究了異質信息網絡的表達能力。在 MetaHIN 中，我們提出使用多方面的語義上下文來增強每個用戶的任務，因此設計了一種新穎的語義增強型任務構建器，用于在元學習場景中捕獲異質信息網絡中的語義信息。進一步地，我們構建了一個協同適應元學習器該學習器，其既具有語義層面的適應性又具有任務層面的適應性。模型整體框架如下圖所示：

語義增強型任務構建器

協同適應元學習器

基礎模型

基礎模型包括用于生成用戶表示的上下文聚合函數，和用于預測評分的偏好預測函數。在上下文聚合中，用戶的表示由其上下文聚合而來，即：

協同適應

實驗結果

本文在三個冷啟動推薦場景和一個傳統推薦場景下驗證 MetaHIN 的有效性，進行模型分析和參數分析。在三個公開數據集上，實驗結果如下表所示。可以看到，我們提出的 MetaHIN 在各個數據集上都有較好的表現。同時，我們還做了一些參數實驗，具體結果可參考論文。相關論文及代碼已經發布在實驗室主頁 http://www.shichuan.org 及 https://yuanfulu.github.io 上，歡迎關注。