跨领域推荐中自适应表示增强与逆学习的统一框架

跨领域推荐（CDR）旨在跨领域提取和转移知识，因其在解决数据稀疏性和冷启动问题方面的有效性而受到广泛关注。尽管在表示解缠以捕捉多样化用户偏好方面取得了显著进展，现有方法通常忽略表示增强，并且缺乏严格的解耦约束，从而限制了相关信息的转移。为此，我们提出了一个用于跨领域推荐的自适应表示增强与逆学习统一框架（AREIL）。具体来说，我们首先将用户嵌入划分为领域共享和领域特定组件，以解缠混合的用户偏好。然后，我们结合领域内和领域间信息来自适应地增强用户表示的能力。特别地，我们提出了一个图卷积模块来捕捉高阶信息，以及一个自注意力模块来揭示领域间相关性并完成自适应融合。接下来，我们采用领域分类器和梯度反转层在统一框架中实现逆表示学习。最后，我们使用交叉熵损失来衡量推荐性能，并通过多任务学习联合优化整个框架。在多个数据集上的大量实验验证了AREIL在推荐性能上的显著提升。此外，消融研究和表示可视化进一步说明了自适应增强和逆学习在CDR中的有效性。