DDTCDR：深度双重迁移跨域推荐
信息检索
2019-10-14 v1 机器学习
摘要
跨域推荐系统对于帮助消费者从不同类别中识别最满意的物品日益重要。然而，先前提出的跨域模型未考虑用户与物品之间的双向潜在关系。此外，它们未显式建模用户与物品特征信息，而仅利用用户评分信息进行推荐。为解决这些问题，本文提出一种基于双重学习机制的跨域推荐新方法，该机制以迭代方式在两个相关域之间传递信息直至学习过程稳定。我们提出一种新颖的潜在正交映射，以在保持不同潜在空间中用户关系的同时提取用户跨多域的偏好。结合自编码器（autoencoder）方法提取特征信息的潜在本质，我们提出深度双重迁移跨域推荐（DDTCDR）模型以在各自域中提供推荐。我们在一个包含电影、书籍和音乐三个域的大型数据集上测试所提方法，结果表明其持续且显著优于若干 SOTA 基线以及经典迁移学习方法。
引用
@article{arxiv.1910.05189,
title = {DDTCDR: Deep Dual Transfer Cross Domain Recommendation},
author = {Pan Li and Alexander Tuzhilin},
journal= {arXiv preprint arXiv:1910.05189},
year = {2019}
}
备注
Accepted to WSDM 2020