CoNet：面向跨域推荐的协作交叉网络
信息检索
2018-12-05 v3 人工智能
机器学习
机器学习
摘要
跨域推荐技术通过利用相关领域的知识，是缓解推荐系统中数据稀疏问题的有效途径。迁移学习是这些技术背后的一类算法。本文中，我们提出一种新颖的基于神经网络的跨域推荐迁移学习方法。与基于矩阵分解的跨域技术不同，我们的方法是深度迁移学习，能够学习复杂的用户-物品交互关系。我们假设两个基网络的隐藏层通过交叉映射相连，从而导出协作交叉网络（CoNet）。CoNet 通过引入从一个基网络到另一个及其反向的交叉连接，实现跨域的双重知识迁移。CoNet 在多层前馈网络中通过添加双重连接与联合损失函数实现，并可通过反向传播高效训练。所提模型在两个大型真实数据集上进行了充分评估。其在 NDCG 上以相对提升 7.84% 优于基线。我们论证了自适应选择待迁移表示的必要性。与非迁移方法相比，我们的模型可减少数万训练样本，且仍具与之竞争的性能。
引用
@article{arxiv.1804.06769,
title = {CoNet: Collaborative Cross Networks for Cross-Domain Recommendation},
author = {Guangneng Hu and Yu Zhang and Qiang Yang},
journal= {arXiv preprint arXiv:1804.06769},
year = {2018}
}
备注
Deep transfer learning for recommender systems