一种面向跨域与跨系统推荐的深度框架
机器学习
2020-09-15 v1 人工智能
摘要
跨域推荐（CDR）与跨系统推荐（CSR）是解决推荐系统中长期存在的数据稀疏问题的两种有前景的方案。它们利用来自源域或源系统相对更丰富的信息（如评分）来提升目标域或目标系统的推荐精度。因此，准确映射跨域或跨系统的隐因子对于提升推荐精度至关重要。然而，由于源域与目标域或系统之间隐因子的复杂关系，这是一项极具挑战的任务。为此，本文提出一种基于矩阵分解（MF）模型与全连接深度神经网络（DNN）的、同时面向跨域与跨系统推荐的深度框架，称为 DCDCSR。具体而言，DCDCSR 首先采用 MF 模型生成用户与物品隐因子，随后采用 DNN 映射跨域或跨系统的隐因子。更重要的是，我们考虑了不同域或系统中个体用户与物品的评分稀疏程度，并利用它们引导 DNN 训练过程，以更有效地利用评分数据。在三个真实世界数据集上的大量实验表明，DCDCSR 框架在推荐精度方面优于最先进的 CDR 与 CSR 方法。
引用
@article{arxiv.2009.06215,
title = {A Deep Framework for Cross-Domain and Cross-System Recommendations},
author = {Feng Zhu and Yan Wang and Chaochao Chen and Guanfeng Liu and Mehmet Orgun and Jia Wu},
journal= {arXiv preprint arXiv:2009.06215},
year = {2020}
}