面向跨域推荐的连贯性引导偏好解耦
信息检索
2025-06-10 v2
摘要
在不同领域间发现用户偏好对于跨域推荐系统至关重要，尤其是当平台缺乏全面的用户-项目交互数据时。共享用户的有限存在往往阻碍了对共同偏好的有效建模。虽然利用共享项目的属性（如类别和流行度）可以提升跨域推荐性能，但领域间共享项目的稀缺性限制了该领域的研究。为了解决这个问题，我们提出了一种连贯性引导偏好解耦（CoPD）方法，旨在通过以下方式提升跨域推荐：i) 显式提取共享项目属性以指导共享用户偏好的学习；ii) 解耦这些偏好以识别在领域间迁移的特定用户兴趣。CoPD在共享域和特定域的项目嵌入上引入连贯性约束，有助于提取共享属性。此外，它利用这些属性，通过流行度加权损失指导将用户偏好解耦为兴趣和从众的独立嵌入。在真实世界数据集上进行的实验表明，我们提出的CoPD优于现有的竞争基线，突显了其在提升跨域推荐性能方面的有效性。
引用
@article{arxiv.2410.20580,
title = {Coherence-guided Preference Disentanglement for Cross-domain Recommendations},
author = {Zongyi Xiang and Yan Zhang and Lixin Duan and Hongzhi Yin and Ivor W. Tsang},
journal= {arXiv preprint arXiv:2410.20580},
year = {2025}
}
备注
28 pages