模型小，还高效！港大最新推荐系统EasyRec：零样本文本推荐能力超越OpenAI、Bert

AIGC动态欢迎阅读

原标题：模型小，还高效！港大最新推荐系统EasyRec：零样本文本推荐能力超越OpenAI、Bert
关键字：用户,模型,文本,画像,商品
文章来源：新智元
内容字数：0字

内容摘要：

新智元报道编辑：LRST
【新智元导读】EasyRec利用语言模型的语义理解能力和协同过滤技术，提升了在零样本学习场景下的推荐性能。通过整合用户和物品的文本描述，EasyRec能够生成高质量的语义嵌入，实现个性化且适应性强的推荐。在推荐系统的领域中，深度神经网络（DNNs）已经成为一种强大的工具，它们通过学习用户和商品之间的复杂交互，为协同过滤（CF）提供了新的视角。
协同过滤是一种利用用户之间的相似性或商品之间的相似性来推荐未交互过的商品的方法。
深度学习方法，特别是图神经网络，通过捕捉用户-商品交互数据中的高阶特征和模式，极大地提升了推荐质量。
然而，尽管深度协同过滤模型在某些方面取得了显著进展，它们在实际应用中仍面临着一些挑战。
一个主要的问题是现有方法对用户和商品的唯一标识符（ID）的依赖。这种依赖限制了模型在处理新用户或新商品时的性能，因为对于这些新的用户和商品，没有足够的历史数据来训练模型。
此外，当用户或商品发生变化时，如新商品的引入或用户偏好的转移，现有模型可能难以适应这些变化，导致推荐效果下降。这种依赖性也导致了另一个问题，即所谓的「零样本学习」场景，其中模型需要在