跨域与跨系统推荐的统一框架
信息检索
2021-08-19 v1 人工智能
机器学习
摘要
跨域推荐（CDR）与跨系统推荐（CSR）已被提出，借助信息相对更丰富的源数据集来提升目标数据集（域/系统）的推荐精度。然而，现有大多数 CDR 与 CSR 方法均为单目标，即仅有一个目标数据集，只能帮助目标数据集而无法惠及源数据集。本文关注三种新场景，即双目标 CDR（DTCDR）、多目标 CDR（MTCDR）与 CDR+CSR，旨在同时提升所有场景下各数据集的推荐精度。为此，我们提出一个称为 GA（基于图嵌入与注意力技术）的统一框架以覆盖上述三种场景。在 GA 中，我们首先构建独立的异质图以生成更具代表性的用户与物品嵌入；随后提出逐元素注意力机制，以有效融合从不同数据集学到的公共实体（用户/物品）嵌入。此外，为避免负迁移，我们进一步提出个性化训练策略，以最小化较丰富数据集与较稀疏数据集间公共实体的嵌入差异，并据此为三种场景分别推导出三个新模型：GA-DTCDR-P、GA-MTCDR-P 与 GA-CDR+CSR-P。在四个真实数据集上的大量实验表明，我们提出的 GA 模型显著优于当前最优方法。
引用
@article{arxiv.2108.07976,
title = {A Unified Framework for Cross-Domain and Cross-System Recommendations},
author = {Feng Zhu and Yan Wang and Jun Zhou and Chaochao Chen and Longfei Li and Guanfeng Liu},
journal= {arXiv preprint arXiv:2108.07976},
year = {2021}
}
备注
14 pages, this paper has been accepted as a regular paper in an upcoming issue of the Transactions on Knowledge and Data Engineering (TKDE)