一种用于跨域协同嵌入的相关性最大化方法

尽管现代推荐系统能够利用用户物品反馈中的结构，但面对未提供可供利用结构的新用户时，大多无能为力。在本文中我们介绍 ImplicitCE，一种在注册流程中向新用户推荐物品的算法。ImplicitCE 通过将用户对辅助域物品的隐式反馈变换到目标域物品嵌入空间中的嵌入来工作。ImplicitCE 以端到端方式学习这些嵌入空间与变换函数，并可使用任意可微相似性函数协同嵌入用户与物品。为训练 ImplicitCE，我们探索最大化模型预测与用户偏好之间相关性的方法，并引入样本相关性更新 (Sample Correlation Update)，一种新颖且极简的训练策略。最后，我们表明使用样本相关性更新训练的 ImplicitCE 在大规模 Twitter 数据集与 DBLP 数据集上均优于多种最先进算法与损失函数。