对比跨域序列推荐

跨域序列推荐（CDSR）旨在基于用户来自多个域的历史序列交互预测未来交互。通常，CDSR 的一个关键挑战是如何基于序列内与序列间物品交互挖掘精确的跨域用户偏好。现有工作首先仅利用序列内物品交互学习单域用户偏好，然后构建迁移模块以获得跨域用户偏好。然而，这种流水线式和隐式解法严重受限于所设计迁移模块的瓶颈，且忽略考虑序列间物品关系。本文提出 C^2DSR 以解决上述问题并捕捉精确用户偏好。核心思想是同时利用序列内与序列间物品关系，并联合学习单域与跨域用户偏好。具体而言，我们首先利用图神经网络挖掘序列间物品协作关系，再借助序列注意力编码器捕捉序列内物品序列关系。基于此，我们设计两种不同的序列训练目标以获得用户单域与跨域表示。此外，我们提出一种新颖的对比跨域互信息最大化目标，通过最大化互信息来增强单域与跨域用户表示间的关联。为验证 C^2DSR 的有效性，我们首先重新划分四个电商数据集，随后开展大量实验以证明我们的方法 C^2DSR 的有效性。