基于翻译学习的跨域协同过滤
信息检索
2019-08-20 v1 机器学习
机器学习
摘要
随着社交媒体平台和电子商务网站的激增，近期引入了若干跨域协同过滤策略以迁移用户偏好知识 across 域。跨域推荐的主要挑战是权衡并学习用户在多个域中的不同行为。在本文中，我们提出一种遵循基于翻译策略的跨域协同过滤模型，即 CDT。在我们的模型中，我们通过翻译向量学习嵌入空间，并捕捉用户跨域多重偏好中的高阶特征交互。在此过程中，我们高效计算特征潜在嵌入间的传递性，即若特征对在潜在空间中有高交互权重，则跨域无观测交互的特征嵌入也将密切相关。我们将目标函数表述为因子分解机中的排序问题，并通过梯度下降学习模型参数。此外，为更好捕捉跨域用户偏好中的非线性，我们使用深度学习策略扩展所提 CDT 模型，即 DeepCDT。我们在六个公开可用跨域任务上的实验证明了所提模型的有效性，优于其他最先进的跨域策略。
引用
@article{arxiv.1908.06169,
title = {Cross-Domain Collaborative Filtering via Translation-based Learning},
author = {Dimitrios Rafailidis},
journal= {arXiv preprint arXiv:1908.06169},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1907.01645