基于神经过程的跨域序列推荐
信息检索
2024-10-18 v1 社会与信息网络
摘要
跨域序列推荐（CDSR）是序列化用户兴趣建模中的热门话题，旨在利用单个模型为不同领域的下一个项目进行预测。为解决CDSR问题，许多方法专注于领域重叠用户行为的拟合，这严重依赖于同一用户的不同领域项目序列之间的协作信号来捕捉跨域项目-项目关联性的协同作用。事实上，这些领域重叠用户仅占整个用户集合的很小一部分，这引入了这样一种假设，即这小群领域重叠用户足以代表所有领域用户行为特征。这直观上是有偏见的，而且在非重叠用户中的不足学习范式不可避免地限制了模型性能。进一步地，由于在CDSR中建模非重叠用户行为并不容易，因为没有其他领域的行为与之协作，这导致观察到的单域用户行为序列难以为跨域知识挖掘贡献。考虑到这一现象，我们提出了一个具有挑战性且尚未探索的问题：如何发挥非重叠用户行为的潜力来赋能CDSR？
引用
@article{arxiv.2410.13588,
title = {Cross-Domain Sequential Recommendation via Neural Process},
author = {Haipeng Li and Jiangxia Cao and Yiwen Gao and Yunhuai Liu and Shuchao Pang},
journal= {arXiv preprint arXiv:2410.13588},
year = {2024}
}
备注
Work in progress