仅少量视频观看数据,即可精准推断用户习惯:迁移学习架构PeterRec( 三 )
（a）冷用户推荐对比（b）人生状态预测
本文插图
图 4 PeterRec 在有无预训练下的预测效果 。 PeterZero 为无预训练初始化的 PeterRec
实验 2
以下是几种微调方式比较 ， 如图 5 所示 。 图中证实 PeterRec 仅仅微调模型补丁和 softmax 层参数达到了跟微调所有参数一样的效果 ， 但是由于仅有少数参数参与优化 ， 可以很好的抗过拟合现象 。
（a）冷用户推荐对比（b）年龄状态预测
本文插图
图 5 各种微调方式 。 FineAll 微调所有参数 ， FineCLS 只微调最后 softmax 层 ， FineLast1 微调最后一个空洞卷积层 ， FineLast2 微调最后两个空洞卷积层 。
实验 3
这一实验将 PeterRec 与常规的比较知名的 baseline 进行比较 ， 包括冷启动推荐效果和用户画像预测效果 。 具体分析可参见原文分析 。
本文插图
本文插图
实验 4
在少量标签有效的情况下 PeterRec 效果 。 可以发现 PeterRec 不仅超过 FineAll ， 而且相对于 FineAll 微调过程几乎不会出现过拟合现象 。
本文插图
图 6：少量 target 数据标签下 PeterRec vs. FineAll
研究团队同时也提到 ， PeterRec 不仅可用于户论文中的实验 ， 还能应用在很多领域 ， 比如用来提前感知青少年心理健康 。 举个例子 ， 通过 PeterRec ， 仅需要知道少量青少年每天观看浏览视频的标签数据 ， 就可以预测出该少年是否心理健康 ， 是否存在暴力倾向阴郁等问题 ， 从而提前告知父母以便提前采取措施 。
参考链接：
[1] A simple convolutional generative network for next item recommendation. Yuan, Fajie and Karatzoglou, Alexandros and Arapakis, Ioannis and Jose, Joemon M and He, Xiangnan, WSDM2019. [2] Future Data Helps Training: Modeling Future Contexts for Session-based Recommendation. Yuan, Fajie and He, Xiangnan and Jiang, Haochuan and Guo, Guibing and Xiong, Jian and Xu, Zhezhao and Xiong, Yilin. WWW2020
推荐阅读
- 36氪|微信视频号安卓端内测：新增关注、朋友、热门、附近视频列表
- 太平洋电脑网|夜色更精彩 Reno4系列夜景视频性能强悍升级
- APP乐橙APP5.2新版本来袭， 消息视频一触即达！
- 最极客网|原创 中兴推5G视频手机，衰颓之后还能凭技术回归主流吗？
- 新智元|B站上线！DeepMind加UCL强强联手推出深度学习与强化学习进阶课程（附视频）
- 上游新闻|爱奇艺随刻联动《青春有你2》引发视频社区互动热潮
- cnBetaTB|因审核策略遭受指责后TikTok承诺推广黑人创作者的视频
- 汽车砺石早报 | B站科普视频卫星将于6月发射；HTC针对VR部门裁员……
- 证券放飞童心！瞄上财商教育，直播视频漫画火力全开，券商投教趁儿童节巧进校园
- 翔宇情w|什么样的相机才能算作视频性能优秀？