Allgemeine Darstellung des Item-Lernens für Empfehlungen bei Kaltstart-Inhalten

Die Empfehlung von Items bei Kaltstart ist eine lang bestehende Herausforderung in Empfehlungssystemen. Eine gängige Lösung besteht darin, einen inhaltsbasierten Ansatz zu verwenden, aber reichhaltige Informationen aus Rohinhalten in verschiedenen Formen wurden nicht vollständig genutzt. In diesem Papier schlagen wir ein domänen-/datenagnostisches Framework für das Lernen von Item-Darstellungen für Kaltstart-Empfehlungen vor, das durch die Annahme einer transformerbasierten Architektur natürlicherweise mit multimodalen Ausrichtungen zwischen verschiedenen Merkmalen ausgestattet ist. Unser vorgeschlagenes Modell ist end-to-end trainierbar, vollständig frei von Klassifikationslabels, die nicht nur kostspielig zu sammeln, sondern suboptimal für das Lernen von Darstellungen für Empfehlungszwecke sind. Aus umfangreichen Experimenten an realen Benchmarks für Film- und Nachrichtenempfehlungen verifizieren wir, dass unser Ansatz die feinen Nutzerpräferenzen besser bewahrt als die neuesten Baselines und universell auf mehrere Domänen in großem Maßstab anwendbar ist.