一种基于合页损失的码本迁移方法，用于无重叠数据的跨域推荐
信息检索
2021-08-04 v1 机器学习
摘要
推荐系统（RS），尤其是基于协同过滤（CF）的RS，在许多电子商务应用中一直扮演着重要角色。随着互联网上搜索的信息迅速增加，用户常常面临寻找自己感兴趣物品的困难，而RS通常在此类任务中提供帮助。近期研究表明，随着物品空间的增大，以及用户评分的物品数量变得非常少，就会出现诸如稀疏性等问题。为了缓解稀疏性问题，人们正在使用迁移学习技术，其中利用来自密集域（源域）的数据来预测稀疏域（目标域）中的缺失条目。在本文中，我们提出了一种用于跨域推荐的迁移学习方法，适用于两个域没有用户和物品重叠的情况。在我们的方法中，知识从源域到目标域的迁移以一种新颖的方式进行。我们利用协同聚类技术来获取源域的码本（聚类级别的评分模式）。通过使用hinge损失函数，我们将学习到的源域码本迁移到目标域。使用hinge损失作为损失函数是新颖的，此前在迁移学习中未曾尝试过。我们证明了我们的技术在基准数据集上改善了目标矩阵的近似效果。
引用
@article{arxiv.2108.01473,
title = {A Hinge-Loss based Codebook Transfer for Cross-Domain Recommendation with Nonoverlapping Data},
author = {Sowmini Devi Veeramachaneni and Arun K Pujari and Vineet Padmanabhan and Vikas Kumar},
journal= {arXiv preprint arXiv:2108.01473},
year = {2021}
}