瞄准目标：为跨域推荐过滤协同信息
信息检索
2024-04-01 v1
摘要
跨域推荐系统旨在利用其他相关领域的数据提升目标域性能。然而，源域中的无关信息反而可能降低目标域性能，即负迁移问题。已有一些尝试解决该问题，主要通过为重叠用户设计自适应表示。但表示自适应仅依赖CDR模型的表达能力，缺乏显式约束来过滤源域中与目标域无关的协同信息。本文提出一种新颖的协同信息正则化用户变换(CUT)框架，通过直接过滤用户的协同信息来解决负迁移问题。在CUT中，采用目标域中的用户相似性作为用户变换学习的约束，以过滤来自源域的用户协同信息。CUT首先从目标域学习用户相似关系。然后，源-目标信息迁移由用户相似性引导，其中我们设计了一个用户变换层来学习目标域用户表示，以及一个对比损失来监督用户协同信息的迁移。结果表明，与SOTA单域和跨域方法相比，CUT的性能显著提升。对目标域结果的进一步分析表明，CUT能有效缓解负迁移问题。
引用
@article{arxiv.2403.20296,
title = {Aiming at the Target: Filter Collaborative Information for Cross-Domain Recommendation},
author = {Hanyu Li and Weizhi Ma and Peijie Sun and Jiayu Li and Cunxiang Yin and Yancheng He and Guoqiang Xu and Min Zhang and Shaoping Ma},
journal= {arXiv preprint arXiv:2403.20296},
year = {2024}
}
备注
Accepted by SIGIR 2024