基于物品语义聚类的去偏图迁移学习用于跨域推荐
信息检索
2022-11-08 v1
摘要
基于深度学习的推荐系统在缺乏训练交互数据时可能导致过拟合。这种过拟合会显著降低推荐性能。为解决这一数据稀疏问题，跨域推荐系统（CDRSs）利用来自辅助源域的数据来促进稀疏目标域上的推荐。大多数现有 CDRSs 依赖重叠用户或物品来连接域并迁移知识。然而，匹配用户是一项艰巨任务，且当数据来自不同公司时可能涉及隐私问题，导致上述 CDRSs 应用受限。一些研究通过迁移学到的用户交互模式，开发了无需重叠用户和物品的 CDRSs。但它们忽略了域间用户交互模式中的偏差，因此与单域推荐系统相比性能较差。本文基于上述发现，提出了一种新颖的 CDRS，即语义聚类增强去偏图神经推荐系统（SCDGN），它无需重叠用户和物品且能处理域偏差。更确切地说，SCDGN 对来自两个域的物品进行语义聚类，并构建由物品簇与用户生成的跨域二部图。随后，知识通过该跨域用户-簇图从源域迁移到目标域。此外，我们为 SCDGN 设计了一个去偏图卷积层，以从跨域用户-簇图中提取无偏结构知识。我们在三个公开数据集和一对专有数据集上的实验结果验证了 SCDGN 在跨域推荐方面相对于最先进（SOTA）模型的有效性。
引用
@article{arxiv.2211.03390,
title = {Debiasing Graph Transfer Learning via Item Semantic Clustering for Cross-Domain Recommendations},
author = {Zhi Li and Daichi Amagata and Yihong Zhang and Takahiro Hara and Shuichiro Haruta and Kei Yonekawa and Mori Kurokawa},
journal= {arXiv preprint arXiv:2211.03390},
year = {2022}
}
备注
11 pages, 4 figures