基于用户兴趣对齐的跨域推荐

跨域推荐旨在利用多领域知识来缓解传统推荐系统中的数据稀疏与冷启动问题。一种流行的范式是采用重叠的用户表示来建立领域间的联系，从而提升各场景下的推荐性能。然而，该方法的一般做法是在每个领域分别训练用户嵌入，再以简单方式聚合，往往忽略了用户与项目之间潜在的跨域相似性。此外，考虑到其训练目标以推荐任务为导向而缺乏特定正则化，优化后的嵌入忽视了用户视图间的兴趣对齐，甚至违背了用户原有的兴趣分布。为应对这些挑战，我们提出一种新颖的跨域推荐框架 COAST，通过感知实体间的跨域相似性并对齐用户兴趣，来提升双领域的推荐性能。具体而言，我们首先构建统一的跨域异构图，并重定义图卷积网络的消息传递机制，以捕获用户与项目跨域的高阶相似性。针对用户兴趣对齐，我们利用丰富的无监督与语义信号，从用户-用户和用户-项目跨域兴趣不变性两个更细粒度视角展开深入刻画。我们在由两份大型推荐数据集构建的多任务上进行了充分实验。广泛的结果表明，COAST 持续且显著优于最先进的跨域推荐算法以及经典的单域推荐方法。