面向非重叠跨域序列推荐的自动化提示学习
信息检索
2023-04-11 v1
摘要
跨域推荐（CR）近年来被广泛研究，以通过利用不同域的信息来缓解推荐系统中的数据稀疏问题。在本文中，我们关注更通用的非重叠跨域序列推荐（NCSR）场景。NCSR 具有挑战性，因为域之间不存在重叠实体（如用户和物品），且仅有用户的隐式反馈而无内容信息。以往的 CR 方法不能很好地解决 NCSR，因为（1）它们要么需要额外内容来对齐域，要么需要显式域对齐约束以从域不变特征中减少域差异；（2）它们更关注用户的显式反馈（即用户评分数据），不能很好地捕捉其序列交互模式；（3）它们通常执行单目标跨域推荐任务，很少研究双目标情形。考虑到上述挑战，我们提出基于提示学习的跨域推荐器（PLCR），一种面向 NCSR 任务的基于自动化提示的推荐框架。具体而言，为应对挑战（1），PLCR 借助其提示学习组件学习域不变与域特定表示，并舍弃域对齐约束。针对挑战（2）和（3），PLCR 引入预训练序列编码器来学习用户的序列交互模式，并通过分离约束执行双学习目标以增强两域的推荐。我们在 Amazon 的两个子集合上的实证研究表明，PLCR 相较于一些相关 SOTA 方法具有先进性。
引用
@article{arxiv.2304.04218,
title = {Automated Prompting for Non-overlapping Cross-domain Sequential Recommendation},
author = {Lei Guo and Chunxiao Wang and Xinhua Wang and Lei Zhu and Hongzhi Yin},
journal= {arXiv preprint arXiv:2304.04218},
year = {2023}
}