CDRNP：基于神经过程的跨域冷启动用户推荐
信息检索
2024-06-13 v3 社会与信息网络
摘要
跨域推荐（CDR）已被证明是解决用户冷启动问题的一种有效途径，其旨在通过迁移源自源域的用户偏好，为目标域中的用户进行推荐。传统的 CDR 研究遵循嵌入与映射（EMCDR）范式，通过学习一个用户共享的映射函数将用户表征从源域迁移到目标域，忽略了用户特定的偏好。近期的 CDR 研究尝试在元学习范式中学习用户特定的映射函数，将每个用户的 CDR 视为独立任务，但忽略了用户之间的偏好相关性，限制了用户表征的有益信息。此外，这两种范式在映射过程中都忽略了来自两个域的显式用户-物品交互。为了解决上述问题，本文提出了一种基于神经过程（NP）的新型 CDR 框架，称为 CDRNP。具体而言，它发展了元学习范式以利用用户特定的偏好，并进一步通过 NP 引入随机过程以捕捉重叠用户与冷启动用户之间的偏好相关性，从而通过将用户特定偏好与共同偏好相关性映射到预测概率分布，生成更强大的映射函数。此外，我们还引入了偏好保留器以增强来自重叠用户的共同偏好，并最终设计了一个带有偏好调制的自适应条件解码器，用于对目标域中的物品和冷启动用户进行预测。实验结果表明，CDRNP 在三个真实世界的 CDR 场景中优于先前的 SOTA 方法。
引用
@article{arxiv.2401.12732,
title = {CDRNP: Cross-Domain Recommendation to Cold-Start Users via Neural Process},
author = {Xiaodong Li and Jiawei Sheng and Jiangxia Cao and Wenyuan Zhang and Quangang Li and Tingwen Liu},
journal= {arXiv preprint arXiv:2401.12732},
year = {2024}
}
备注
WSDM'2024 Oral