覆盖四种场景、包含正负向反馈，腾讯、西湖大学等发布推荐系统公开数据集Tenrec（2）

6、Cold-start Recommendation

冷启动是推荐任务中一个悬而未决的挑战。Tenrec 的一个主要优点是有用户重叠和 items 重叠的信息，因此可用于解决冷启动的问题。

数据预处理：该任务中 QK-video 作为源数据集，QK-article 作为目标数据集。为了更加贴合实际场景，研究者设置了几个不同的冷用户场景，例如全冷用户和冷热用户混合场景。同样的，这里设置 8:1:1 的数据划分策略。

Baseline 模型：在该任务中，研究者使用如下模型：PeterRec 和 BERT4Rec。

实验结果：表 7 显示了 Cold-start Recommendation 的结果。首先，我们发现 PeterRec 和 BERT4Rec 通过预训练都有明显的效果提升。

7、Lifelong User Representation Learning

当把一个模型从一个领域迁移到另一个领域时，在原始任务训练的参数往往会被修改来适应新的任务。因此，模型将不再适用于原始任务，这就是灾难性遗忘。Conure 提出了一个 "一个模型适用所有任务" 的学习框架，其目的是建立一个适用所有场景的用户表征（User Representation：UR）模型。在本节中，研究者通过在四个场景中迁移用户的偏好来研究终身学习（Lifelong Learning LL），即从 QK-video 到 QK-article 到 QB-video 到 QB-article。

数据预处理：研究者从 QK-video-1M 随机抽取百分之五十的用户用于 LL 的任务 1。然后使用 QK-article、QB-video 和 QB-article 与作为其他任务的数据集。其中，QK-article 保留最多三个交互，由于 QB-video 和 QB-article 的用户量和点击行为较少，因此保留这两个数据集的用户的所有交互。

Baseline 模型：在该任务中，研究者将 Conure 的方法应用在 NextItNet 和 SASRec 上。

实验结果：表 8 显示了用持续学习的用户表征进行推荐的结果。可以清楚地看到，因为在任务 1 的预训练，Conure 在任务 2、3 和 4 上提供了性能改进。

8、Model Compression

模型压缩可以将大型神经模型部署到容量有限的设备中，如 GPU 和 TPU（张量处理单元）。对于推荐系统模型来说，嵌入层的参数数量很容易达到数亿到数十亿的级别。

数据预处理：研究者对 Session-based Recommendation 任务中的模型进行参数压缩，并使用与 Session-based Recommendation 任务相同的数据集。

Baseline 模型：该任务中将 CpRec 框架应用在 NextItNet 和 SASRec 上。

实验结果：表 9 显示 CpRec 将 NextItNet 和 SASRec 压缩到其原始大小的三分之二。

9、Model Training Speedup

这项任务的目的是加速层数非常多的模型的训练过程。与浅层的 CTR 模型不同，SBR 模型层数可以更深。为了加速训练过程，他们提出了 StackRec，它首先学习一个浅层模型，然后将这些浅层复制为深层模型。同样地，研究者通过使用 NextItNet 和 SASRec 作为骨架来评估 StackRec 框架。

数据预处理：数据集使用和预处理方式与 Session-Based Recommendation 任务相同。

Baseline 模型：该任务中将 StackRec 框架应用在 NextItNet 和 SASRec 上。

实验结果：表 10 显示了训练加速的结果。可以得出几个观察结果：(1) StackRec 明显减少了 NextItNet 和 SASRec 的训练时间；(2) 训练加速并没有导致推荐精度的下降。

10、Model Inference Speedup

随着模型层数地增加，会出现一个问题：推理成本也大大增加。导致在线推理的高延迟。然而实际场景中，推荐系统中的用户可以分为困难用户和容易用户，向容易用户推荐物品不需要通过整个网络。因此，可应用 SkipRec 框架。在模型推理阶段，它可以自适应地决定哪个用户需要哪个层。

数据预处理：数据集使用 QB-video，预处理方式与 Session-Based Recommendation 任务相同。

Baseline 模型：该任务中将 SkipRec 框架应用在 NextItNet 和 SASRec 上。

实验结果：表 11 显示了 SkipRec 对 QB-video 的影响。我们看到 SkipRec 中的跳过策略可以大大加快 SBR 模型的推理时间，例如 NextItNet 约加速 23%，SASRec 约 32%。且 32 层的 SkipRec-NextItNet 依然要比 16 层的 NextItNet 的推理速度要快。

11、Top-N Recommendation

Top-N 推荐是推荐系统较为经典的任务。研究者在 QB-video 数据集上验证 Top-N Recommendation。

数据预处理：过滤掉序列长度小于 10 的用户，并且按照 8:1:1 的分割比例划分训练集、验证集和测试集。另外，采用随机采样和频率采样作为负采样方法。

Baseline 模型：在该任务中使用 MF，NCF，NGCF 和 Light GCN 模型。

实验结果：实验结果表明，一个更好的负采样器有助于提高准确率，例如频率采样。

结论

本文向读者介绍了 Tenrec，目的是推动推荐系统社区的发展。它是目前最大和最通用的推荐数据集之一，涵盖多个具有各种类型用户反馈的真实场景，用户反馈行为包括点击，点赞，分享，关注和真实负反馈等。并且研究者呈现了十一个热门推荐系统任务的经典算法在 Tenrec 上的实验结果，Tenrec 可用于 CTR 预测、序列推荐、多任务学习、迁移学习、用户画像预测、冷启动推荐、终身学习、模型压缩、模型训练加速、模型推理加速和 Top-N 推荐等相关任务研究。除了上述任务以外，Tenrec 还可以应用于交叉领域推荐，用户不同反馈的迁移和不同负采样的 items 推荐等任务。Tenrec 经过数据脱敏处理，用户的个人信息隐私问题得到了很好的保护。