基于多模态域适应的跨域推荐系统

协同过滤（CF）已成为构建推荐系统最突出的实现策略之一。其核心思想是利用个体的使用模式来生成个性化推荐。CF技术，尤其是针对新上线的平台，常常面临一个被称为数据稀疏性问题的关键问题，这极大地限制了其性能。跨域CF通过在不同域中寻找一组共同的实体（用户或物品）来缓解数据稀疏性问题，这些实体随后充当知识迁移的渠道。然而，大多数现实世界的数据集收集自不同域，因此它们往往缺乏关于锚点或用于实体对齐的参考信息。本文引入了一种域适应技术来对齐跨域实体的嵌入。我们的方法首先利用可用的文本和视觉信息，在辅助域和目标域中独立学习每个实体的多视图潜在表示。然后将该实体的不同表示进行融合，生成相应的统一表示。接着训练一个域分类器，通过固定统一特征作为锚点来学习用于域对齐的嵌入。在四个公开可用基准数据集上的实验表明了我们所提方法的有效性。