面向跨域推荐的对比图提示微调
信息检索
2023-11-06 v2
摘要
推荐系统经常受到数据稀疏问题的挑战。缓解该问题的一种方法是通过跨域推荐技术。在跨域情境下，域间共享知识可以提升目标域的效果。近期的跨域方法采用了预训练方式，但我们认为这些方法往往导致次优的微调，尤其是在大型神经模型中。现代语言模型利用提示(prompt)进行高效的模型调优。此类提示充当可调节的潜向量，从而可以冻结主模型参数。在我们的研究中，我们引入了基于个性化图提示的推荐(PGPRec)框架。该框架利用了提示微调(prompt-tuning)的优势。在此框架内，我们针对每个物品构建个性化图提示，其根植于用户先前交互过的物品。具体而言，我们采用对比学习(CL)在预训练阶段生成具有更强泛化能力的预训练嵌入，从而在微调阶段确保鲁棒的训练。我们在跨域场景中对PGPRec的评估包括针对top-k推荐任务的全面测试以及冷启动分析。基于四个Amazon Review数据集的实证结果表明，PGPRec框架可将微调参数量减少多达74%，同时保持具有竞争力的性能。值得注意的是，在冷启动情况下，相较领先基线其性能提升了11.41%。
引用
@article{arxiv.2308.10685,
title = {Contrastive Graph Prompt-tuning for Cross-domain Recommendation},
author = {Zixuan Yi and Iadh Ounis and Craig Macdonald},
journal= {arXiv preprint arXiv:2308.10685},
year = {2023}
}