Transfer Learning for Better Cold-Start Recommendation Using Multiple Domains
Authors
Krusaa, Rasmus ; Kamp, Victor ; Kloster, Christian Langkjær
Term
4. term
Education
Publication year
2020
Submitted on
2020-06-11
Pages
10
Abstract
This thesis tackles the cold-start user problem in recommender systems by leveraging data from multiple domains. We propose the Questionnaire-Based Efficient Adaptive Transfer Neural Network (QEATNN), an extension of EATNN that integrates interaction data, social networks, and questionnaire responses. QEATNN uses attention mechanisms to automatically and personally control how much knowledge is transferred across domains for each user, and jointly optimizes through domain-specific loss functions. The questionnaire is constructed using the LRMF approach, which selects global and local representative questions via a decision-tree process. We evaluate QEATNN on publicly available datasets using NDCG, Precision, and Recall, comparing against EATNN and other social-aware and questionnaire-based baselines. Results indicate competitive performance, and in some settings—particularly cold-start scenarios with shorter recommendation lists—QEATNN outperforms baselines, including EATNN.
Denne afhandling adresserer koldstart-brugerproblemet i anbefalingssystemer ved at udnytte data fra flere domæner. Vi foreslår Questionnaire-Based Efficient Adaptive Transfer Neural Network (QEATNN), som udvider EATNN ved at kombinere interaktionsdata, sociale netværk og svar på et spørgeskema. QEATNN anvender opmærksomhedsmekanismer til automatisk og personligt at styre, hvor meget viden der skal overføres mellem domæner for hver bruger, og optimerer modellen samlet via domænespecifikke tabsfunktioner. Spørgeskemaet genereres med den spørgeskema-baserede LRMF-tilgang, der vælger globale og lokale repræsentative spørgsmål via en beslutningstræstruktur. Vi evaluerer QEATNN på offentligt tilgængelige datasæt med NDCG, Precision og Recall og sammenligner med EATNN samt andre sociale og spørgeskema-baserede metoder. Resultaterne viser konkurrencedygtig ydeevne, og i visse opsætninger – særligt ved koldstart og korte anbefalingslister – overgår QEATNN baselines, herunder EATNN.
[This apstract has been generated with the help of AI directly from the project full text]