Popularity-Aware Meta-Learning for Cold-Start Recommendation

1. 解决的问题

母婴品类SKU迭代快（奶粉按月龄分段、辅食按月添加），新品上架无历史交互数据，传统协同过滤无法推荐。

2. 核心算法逻辑

核心问题：母婴品类SKU迭代快（奶粉按月龄分段、辅食按月添加），新品上架无历史交互数据，传统协同过滤无法推荐。冷启动是母婴电商的结构性痛点。

3. 业务应用场景

业务问题：Momcozy每季度上架30+新品（新款吸奶器、新配件）。上架首周曝光转化率<0.5%，远低于成熟品的2.5%。

PAM 应用： 1. 分层： - 高流行度：月交互>1000的SKU - 中流行度：月交互100-1000 - 低流行度：月交互<100（主要是新品） 2. 元训练：在现有SKU上训练，学习"从商品属性预测用户偏好"的初始化参数 3. 快速适应：新品上架后，仅需少量交互（10-50次）即可微调出专属推荐模型

预期产出： - 新品首周转化率：0.5% → 1.5% - 新品达到成熟品转化率的时间：3个月 → 2周 - 长尾SKU总GMV占比：15% → 25%

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ROI：新品GMV提升50-100%，试错周期缩短60%
• 难度：⭐⭐⭐☆☆（3/5）— 元学习概念门槛，但实现可模块化
• 优先级：⭐⭐⭐⭐⭐（5/5）— 母婴品类迭代快，冷启动是刚需痛点

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Popularity-Aware Meta-Learning (PAM) for Cold-Start Recommendation
用于新品/新用户的快速冷启动推荐
"""

import numpy as np
import torch
import torch.nn as nn
from collections import defaultdict


class PAMModel(nn.Module):
    """流行度感知的元学习推荐模型"""

    def __init__(self, n_users, n_items, embedding_dim=64):
        super().__init__()
        self.user_emb = nn.Embedding(n_users, embedding_dim)
        self.item_emb = nn.Embedding(n_items, embedding_dim)
        self.content_proj = nn.Linear(embedding_dim * 2, embedding_dim)

    def forward(self, user_ids, item_ids, item_content=None):
        u = self.user_emb(user_ids)
        i = self.item_emb(item_ids)

        if item_content is not None:
            # 低流行度：融合内容特征
            i = self.content_proj(torch.cat([i, item_content], dim=-1))

        score = (u * i).sum(dim=-1)
        return torch.sigmoid(score)


def popularity_aware_meta_train(model, interactions, item_features,
                                popularity_thresholds=(1000, 100),
                                inner_lr=0.01, meta_lr=0.001, epochs=100):
    """
    PAM元训练

    Args:
        interactions: [(user, item, rating)] 列表
        item_features: 商品内容特征
        popularity_thresholds: (高, 低) 流行度阈值
    """
    meta_optimizer = torch.optim.Adam(model.parameters(), lr=meta_lr)

    # 按流行度分层
    item_counts = defaultdict(int)
    for u, i, r in interactions:
        item_counts[i] += 1

    high_pop = [i for i, c in item_counts.items() if c >= popularity_thresholds[0]]
    mid_pop = [i for i, c in item_counts.items()
               if popularity_thresholds[1] <= c < popularity_thresholds[0]]
    low_pop = [i for i, c in item_counts.items() if c < popularity_thresholds[1]]

    layers = {
        'high': high_pop,
        'mid': mid_pop,
        'low': low_pop
    }

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。