使用深度耦合自编码器的跨域推荐系统

长期存在的数据稀疏性和冷启动构成了推荐系统棘手且令人困惑的问题。跨域推荐作为一种域适应框架，已被用来通过利用来自多个域的信息来有效解决这些具有挑战性的问题。在本研究中，探索了一个物品级相关性的跨域推荐任务，其中两个相关域，即源域和目标域包含公共物品，但不共享关于用户行为的敏感信息，从而避免了用户隐私的泄露。鉴于此场景，提出了两种新颖的基于耦合自编码器的深度学习方法用于跨域推荐。第一种方法旨在同时学习一对自编码器，以揭示源域和目标域中物品的内在表示，以及一种耦合映射函数以建模这些表示之间的非线性关系，从而将有益信息从源域转移到目标域。第二种方法基于一个新的联合正则化优化问题推导而来，该问题采用两个自编码器以深度非线性方式生成用户和物品隐因子，同时学习一个数据驱动的函数来跨域映射物品隐因子。在两个公开可用的基准数据集上进行的大量数值实验表明，我们提出的方法优于几种最先进的跨域推荐框架。