DADIN：面向跨域推荐系统的域对抗深度兴趣网络
信息检索
2023-05-23 v1 人工智能
机器学习
摘要
点击率（CTR）预测是推荐系统的主要任务之一，由用户对不同物品进行交互以给出推荐结果。为克服数据稀疏、用户-物品交互的长尾分布以及物品或用户的冷启动问题，已有跨域CTR预测模型被提出。为使知识从源域到目标域的迁移更顺畅，本文提出一种创新的深度学习跨域CTR预测模型——域对抗深度兴趣网络（DADIN），将跨域推荐任务转化为域适应问题。通过引入域无关层和专门设计的损失，创新性地实现了两域联合分布对齐，并与CTR预测损失以对抗训练方式联合优化。研究发现，在华为数据集上DADIN的曲线下面积（AUC）比最具竞争力的基线高0.08%，在亚马逊数据集上比其竞争者高0.71%，基于在两个真实数据集上的模型性能评估取得了最先进（SOTA）结果。消融研究表明，通过引入对抗方法，该模型在华为数据集和亚马逊数据集上分别带来了2.34%和16.67%的AUC提升。
引用
@article{arxiv.2305.12058,
title = {DADIN: Domain Adversarial Deep Interest Network for Cross Domain Recommender Systems},
author = {Menglin Kong and Muzhou Hou and Shaojie Zhao and Feng Liu and Ri Su and Yinghao Chen},
journal= {arXiv preprint arXiv:2305.12058},
year = {2023}
}