AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：模型小，還高效！港大最新推薦系統(tǒng)EasyRec：零樣本文本推薦能力超越OpenAI、Bert
關(guān)鍵字：用戶,模型,文本,畫像,商品
文章來源：新智元
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

新智元報(bào)道編輯：LRST
【新智元導(dǎo)讀】EasyRec利用語言模型的語義理解能力和協(xié)同過濾技術(shù)，提升了在零樣本學(xué)習(xí)場(chǎng)景下的推薦性能。通過整合用戶和物品的文本描述，EasyRec能夠生成高質(zhì)量的語義嵌入，實(shí)現(xiàn)個(gè)性化且適應(yīng)性強(qiáng)的推薦。在推薦系統(tǒng)的領(lǐng)域中，深度神經(jīng)網(wǎng)絡(luò)（DNNs）已經(jīng)成為一種強(qiáng)大的工具，它們通過學(xué)習(xí)用戶和商品之間的復(fù)雜交互，為協(xié)同過濾（CF）提供了新的視角。
協(xié)同過濾是一種利用用戶之間的相似性或商品之間的相似性來推薦未交互過的商品的方法。
深度學(xué)習(xí)方法，特別是圖神經(jīng)網(wǎng)絡(luò)，通過捕捉用戶-商品交互數(shù)據(jù)中的高階特征和模式，極大地提升了推薦質(zhì)量。
然而，盡管深度協(xié)同過濾模型在某些方面取得了顯著進(jìn)展，它們?cè)趯?shí)際應(yīng)用中仍面臨著一些挑戰(zhàn)。
一個(gè)主要的問題是現(xiàn)有方法對(duì)用戶和商品的唯一標(biāo)識(shí)符（ID）的依賴。這種依賴限制了模型在處理新用戶或新商品時(shí)的性能，因?yàn)閷?duì)于這些新的用戶和商品，沒有足夠的歷史數(shù)據(jù)來訓(xùn)練模型。
此外，當(dāng)用戶或商品發(fā)生變化時(shí)，如新商品的引入或用戶偏好的轉(zhuǎn)移，現(xiàn)有模型可能難以適應(yīng)這些變化，導(dǎo)致推薦效果下降。這種依賴性也導(dǎo)致了另一個(gè)問題，即所謂的「零樣本學(xué)習(xí)」場(chǎng)景，其中模型需要在

原文鏈接：模型小，還高效！港大最新推薦系統(tǒng)EasyRec：零樣本文本推薦能力超越OpenAI、Bert

聯(lián)系作者

文章來源：新智元
作者微信：
作者簡(jiǎn)介：