通过元优化方法实现价值偏好在跨域中的迁移

跨域推荐可用于缓解数据稀疏和冷启动问题。嵌入和映射作为经典的跨域研究领域，旨在识别通用映射函数，以执行两个领域之间的表示转换。然而，之前的粗粒度偏好表示、非个人化映射函数以及对重叠用户的过度依赖限制了其性能，尤其是在重叠用户稀疏的场景中。为解决上述挑战，我们提出了一种新颖的跨域方法，即 CVPM。CVPM 将跨域兴趣传递 formalizes 为参数化元学习和自监督学习的混合体系结构，不仅在更细粒度层面传递用户偏好，还通过非重叠用户的知识实现信号增强。具体而言，结合对用户偏好的深入见解和价值偏好理论，我们认为用户的积极偏好与消极行为之间存在显著差异，因而采用不同的编码器学习其分布。特别地，我们进一步利用预训练模型和项目流行度对伪交互项目进行采样，以确保两种分布的完整性。为保证偏好传递的个人化，我们将每个用户的映射分为两个部分：通用转换和个人化偏差，其中用于生成个人化偏差的网络由元学习者输出。此外，除了针对重叠用户的监督损失外，我们还从群组和个体水平设计对抗任务，以避免模型偏斜并增强表示的语义。详实的数据分析和广泛的实验结果表明，我们提出的框架的有效性和革新性。