匹配阶段中的对比跨域推荐
信息检索
2022-06-22 v2
摘要
跨域推荐（CDR）旨在借助源域为目标域提供更好的推荐结果，已在现实系统中被广泛使用与探索。然而，匹配（即候选生成）模块中的 CDR 在表示学习与知识迁移两方面均受困于数据稀疏性与流行度偏差问题。本文中，我们提出一种新颖的对比跨域推荐（CCDR）框架用于匹配阶段的 CDR。具体而言，我们构建了一个庞大的多样化偏好网络以捕捉反映用户多元兴趣的多种信息，并设计了域内对比学习（intra-CL）与三种域间对比学习（inter-CL）任务，以实现更好的表示学习与知识迁移。域内对比学习通过图增强在目标域内实现更有效且均衡的训练，而域间对比学习从用户、分类体系与邻居方面构建不同类型的跨域交互。实验中，CCDR 在现实系统的离线与在线评估上均取得显著提升。目前，我们已将 CCDR 部署于微信看一看（WeChat Top Stories），影响大量用户。源代码见 https://github.com/lqfarmer/CCDR。
引用
@article{arxiv.2112.00999,
title = {Contrastive Cross-domain Recommendation in Matching},
author = {Ruobing Xie and Qi Liu and Liangdong Wang and Shukai Liu and Bo Zhang and Leyu Lin},
journal= {arXiv preprint arXiv:2112.00999},
year = {2022}
}
备注
11 pages, accepted by KDD-2022