基于多源异构迁移学习的集中-分布式跨域推荐迁移模型
机器学习
2024-11-15 v1
摘要
跨域推荐（CDR）方法被提出以解决点击率（CTR）预估中的稀疏性问题。现有的 CDR 方法直接将知识从源域迁移到目标域，忽略了域之间的异构性，包括特征维度异构性和潜在空间异构性，这可能导致负迁移。此外，现有大多数方法基于单源迁移，无法同时利用来自多个源域的知识来进一步提升模型在目标域的性能。在本文中，我们基于多源异构迁移学习提出了一种用于 CDR 的集中-分布式迁移模型（CDTM）。为了解决特征维度异构性问题，我们构建了双重嵌入结构：域特定嵌入（DSE）和全局共享嵌入（GSE），分别用于对单域内的特征表示和全局空间中的共性进行建模。为了解决潜在空间异构性，使用迁移矩阵和注意力机制自适应地映射和组合 DSE 与 GSE。大量的离线和在线实验证明了我们模型的有效性。
引用
@article{arxiv.2411.09286,
title = {A Centralized-Distributed Transfer Model for Cross-Domain Recommendation Based on Multi-Source Heterogeneous Transfer Learning},
author = {Ke Xu and Ziliang Wang and Wei Zheng and Yuhao Ma and Chenglin Wang and Nengxue Jiang and Cai Cao},
journal= {arXiv preprint arXiv:2411.09286},
year = {2024}
}
备注
Published in: 2022 IEEE International Conference on Data Mining (ICDM) (The authors were affiliated Hangzhou NetEase Cloud Music Technology Co., Ltd.)