面向序列推荐的跨域求新特质挖掘
信息检索
2018-03-06 v1
摘要
过去几十年中，迁移学习引起了大量关注与研究，并且已有一些努力用于构建更精确的推荐系统。大多数以往的迁移推荐系统假设目标域与辅助源域共享相同/相似的评分模式，以此提升推荐性能。然而，据我们所知，这些工作几乎都未考虑序列数据的特性。本文研究用于挖掘求新特质的新型跨域推荐场景。心理学近期研究表明，求新特质与消费者行为高度相关，对在线推荐具有深远的商业影响。以往仅在单一目标域上进行的工作可能因数据稀缺与稀疏而无法充分刻画用户的求新特质，导致推荐性能不佳。沿此思路，我们提出一种新型跨域求新特质挖掘模型（简称 CDNST），通过从辅助源域迁移知识来提升序列推荐性能。我们在从豆瓣（www.douban.com）爬取的三个域数据集上进行了系统实验，以证明所提模型的有效性。此外，我们分析了序列数据的时间属性如何影响 CDNST 的性能，并进行了仿真实验来验证我们的分析。
引用
@article{arxiv.1803.01542,
title = {Cross-domain novelty seeking trait mining for sequential recommendation},
author = {Fuzhen Zhuang and Yingmin Zhou and Fuzheng Zhang and Xiang Ao and Xing Xie and Qing He},
journal= {arXiv preprint arXiv:1803.01542},
year = {2018}
}