协同过滤中跨域损失的自适应深度学习
信息检索
2019-07-04 v1 机器学习
社会与信息网络
机器学习
摘要
如今，用户在社交媒体平台与电商网站上开设多个账户，在不同领域表达个人偏好。然而，用户行为跨域变化，取决于用户交互的内容，如电影、音乐、服装与零售商品。本文中，我们提出一种用于跨域推荐的自适应深度学习策略，称为ADC。我们设计了一种神经架构并形式化了一个跨域损失函数，以计算用户偏好跨域的非线性，并相应地迁移用户多行为知识。此外，我们引入一种高效的跨域损失平衡算法，在通过反向传播训练模型时，直接调节梯度大小并基于域的复杂度/规模自适应学习率。如此，ADC在优化模型参数时控制并调整每个域的贡献。我们在六个公开跨域推荐任务上的实验证明了所提ADC模型相对于其他最先进方法的有效性。进一步，我们研究了所提自适应深度学习策略的作用，表明ADC能很好地平衡具有不同复杂度的域的影响。
引用
@article{arxiv.1907.01645,
title = {Adaptive Deep Learning of Cross-Domain Loss in Collaborative Filtering},
author = {Dimitrios Rafailidis and Gerhard Weiss},
journal= {arXiv preprint arXiv:1907.01645},
year = {2019}
}