面向基于评论的无重叠跨域推荐的协同过滤与归因对齐模型
信息检索
2022-02-11 v1 人工智能
摘要
跨域推荐（CDR）已被广泛研究，旨在利用不同领域的知识来解决推荐系统中的数据稀疏性和冷启动问题。本文聚焦于基于评论的无重叠跨域推荐（RNCDR）问题。该问题普遍存在且具有挑战性，主要原因有两个方面：目标域仅有正面的用户-物品评分，且不同域之间没有重叠用户。以往大多数CDR方法无法很好地解决RNCDR问题，因为（1）它们不能有效地将评论与其他信息（如ID或评分）结合以获得富有表现力的用户或物品嵌入，（2）它们无法减少用户和物品上的域差异。为填补这一空白，我们提出了协同过滤与归因对齐模型（CFAA），这是一个针对RNCDR问题的跨域推荐框架。CFAA包含两个主要模块，即评分预测模块和嵌入归因对齐模块。前者旨在联合挖掘评论、独热ID和多热历史评分，以生成富有表现力的用户和物品嵌入。后者包括垂直归因对齐和水平归因对齐，旨在从多个角度减少差异。我们在豆瓣和亚马逊数据集上的实证研究表明，CFAA在RNCDR设置下显著优于最先进的模型。
引用
@article{arxiv.2202.04920,
title = {Collaborative Filtering with Attribution Alignment for Review-based Non-overlapped Cross Domain Recommendation},
author = {Weiming Liu and Xiaolin Zheng and Mengling Hu and Chaochao Chen},
journal= {arXiv preprint arXiv:2202.04920},
year = {2022}
}