面向任务引导的跨域序列推荐的ABXI：不变兴趣适应

跨域序列推荐 (CDSR) 最近因针对数据稀疏问题通过在不同领域之间转移知识而受到关注。常见方法是将领域特定序列合并为跨域序列，作为连接领域之间的桥梁。一个关键挑战是正确提取这些序列之间的共享知识，并将其适当地转移。大多数现有工作直接转移未经筛选的跨域知识，而不是从提取领域不变组件并适当地将其整合到领域特定建模中。另一个挑战在于对齐领域特定序列和跨域序列。现有方法基于时间戳对齐这些序列，但这种方法可能导致预测失配，当当前标记及其目标属于不同领域时。在这种情况下，由当前标记承载的领域特定知识可能降低性能。为解决这些挑战，我们提出了A-B-Cross-to-Invariant Learning Recommender (ABXI)。具体而言，利用LoRA对高效适应性的有效性，ABXI包含两种类型的LoRA来促进知识适应。首先，所有序列通过一个共享编码器处理，该编码器为每个序列采用一个领域LoRA，从而保留独特的领域特征。接下来，我们引入一个不变投影器，从跨域表示中提取领域不变兴趣，并利用不变LoRA将这些兴趣适应到建模每个特定领域。此外，为了避免预测失配，所有领域特定序列都对齐以匹配跨域ground truth的领域。实验结果表明，在三个数据集上，我们的方法在其他CDSR对手方面取得显著的优势。代码可在https://github.com/DiMarzioBian/ABXI获取。