Warming Up Cold-Start CTR Prediction by Learning Item-Specific Feature Interactions

在推荐系统中，新的物品不断推出，最初缺乏交互记录，但随着时间的推移逐渐积累。准确地预测这些物品的点击率(CTR)对于增强收入和用户体验至关重要。虽然现有方法侧重于在一般CTR模型中增强新物品的物品ID嵌入，但它们往往采用全局特征交互方法，常常让稀疏数据的新物品被拥有丰富交互的物品所掩盖。针对这一问题，我们的工作引入了EmerG，一种新颖的方法，通过学习物品特定的特征交互模式来预测冷启动CTR。EmerG利用超网络根据物品特征生成物品特定的特征图，然后通过图神经网络(GNN)进行处理。这个GNN是专门定制的，通过定制的消息传递机制可以证明捕捉任何顺序的特征交互。我们进一步设计了一种元学习策略，可以在各种物品CTR预测任务中优化超网络和GNN的参数，同时只调整每个任务中的最小一组物品特定参数。这种策略在处理有限数据时有效地减少了过拟合的风险。在基准数据集上进行的广泛实验验证了EmerG在没有、少量和足够的新物品实例的情况下始终表现最佳。

如何准确预测新物品的点击率是增强收入和用户体验的关键，但现有方法往往忽略了新物品的特征交互模式，导致数据稀疏的新物品被那些有丰富交互的物品所掩盖。

本文提出了一种名为EmerG的方法，通过利用超网络生成基于物品特征的物品特定特征图，并使用经过定制的消息传递机制的图神经网络来处理这个特征图，以此来学习物品特定的特征交互模式，从而解决冷启动CTR预测问题。

本文的亮点包括：1. 提出了一种新的方法来解决冷启动CTR预测问题；2. 使用超网络和图神经网络来学习物品特定的特征交互模式；3. 设计了元学习策略来优化超网络和图神经网络的参数；4. 在多个基准数据集上进行了广泛的实验，并证明了EmerG在处理有限数据时具有优异的性能。

与本文相关的研究包括：1. 基于矩阵分解的推荐系统方法；2. 基于深度学习的推荐系统方法，如Wide & Deep、DeepFM、NCF等。