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