基于层次超图网络的相关偏好迁移用于多域推荐

先进的推荐系统通常包含多个域（如场景或类别）以实施不同的营销策略，用户与它们交互以满足多样化需求。多域推荐（MDR）的目标是同时提升所有域的推荐性能。传统的基于图神经网络的方法通常单独处理每个域，或训练一个共享模型服务于所有域。前者未能利用用户的跨域行为，使行为稀疏问题成为巨大障碍。后者学习关于所有域的共享用户表示，忽略了用户的域特定偏好。在本文中，我们提出 $\mathsf{H^3Trans}$，一种基于层次超图网络的相关偏好迁移框架用于 MDR，它将多域用户-物品交互表示为统一图以促进偏好迁移。$\mathsf{H^3Trans}$ 包含两个基于超边的模块，即动态物品迁移（Hyper-I）和自适应用户聚合（Hyper-U）。Hyper-I 从多域用户-物品反馈中提取相关信息以消除物品表示的域差异。Hyper-U 聚合用户在多域中分散的偏好，并进一步利用高阶（不仅是成对）连接来改进用户表示。在公开和生产数据集上的实验验证了 $\mathsf{H^3Trans}$ 在 MDR 上的优越性。