论文标题：

Long Short-Term Temporal Meta-learning in Online Recommendation

论文链接：

https://arxiv.fenshishang.com/pdf/2105.03686.pdf

收录：WSDM 2022

本文在推荐系统中，同时考虑目标推荐任务的用户行为和其他任务的用户行为。然而，由于实时训练效率和外部行为获取的现实限制，在充分利用大规模系统中的所有历史行为的同时对实时新趋势进行快速适应是极具挑战性的。本文提出长短期时间元学习框架LSTTM，利用图结构发掘多源用户行为中的关系，并结合元学习来发掘用户的实时兴趣。

如上图所示为LSTTM的总体框架图。

  • 内部短期图以目标推荐任务中的用户和商品为节点，交互为边，通过具有时间邻居采样的异质GAT对节点进行聚合，提取用户短期兴趣。

  • 全局长期图包含了所有内部和外部的行为，从全局多源行为上发掘用户的长期兴趣。

  • 通过Gating fusion模块将两个GAT中得到的表征进行融合。

  • 结合元学习，异步优化长期兴趣和短期兴趣。

内容中包含的图片若涉及版权问题，请及时与我们联系删除