DDGHM：用于跨域序列推荐的双动态图与混合度量训练
信息检索
2022-09-22 v1 人工智能
摘要
序列推荐（SR）通过建模用户在物品间的转移来刻画用户行为的演化模式。然而，短交互序列限制了现有 SR 的性能。为解决此问题，本文关注跨域序列推荐（CDSR），旨在利用其他域的信息来改善单一域的序列推荐性能。解决 CDSR 具有挑战性。一方面，如何保留单域偏好并整合跨域影响仍是一个本质问题。另一方面，由于合并序列长度有限，仅利用其他域的知识无法完全解决数据稀疏问题。为应对这些挑战，我们提出 DDGHM，一种用于 CDSR 问题的新颖框架，包含两个主要模块，即双动态图建模与混合度量训练。前者通过动态构建两级图（即局部图与全局图）并以融合注意力门控机制将其结合，来捕获域内与域间序列转移。后者通过采用混合度量学习（包括用于实现对齐的协同度量和用于保持一致性的对比度量）来增强用户与物品表示，以进一步缓解数据稀疏问题并提升预测精度。我们在两个基准数据集上进行了实验，结果证明了 DDHMG 的有效性。
引用
@article{arxiv.2209.10163,
title = {DDGHM: Dual Dynamic Graph with Hybrid Metric Training for Cross-Domain Sequential Recommendation},
author = {Xiaolin Zheng and Jiajie Su and Weiming Liu and Chaochao Chen},
journal= {arXiv preprint arXiv:2209.10163},
year = {2022}
}