扩散跨领域推荐

为冷启动用户提供高质量结果对推荐系统而言始终是一项挑战。缓解目标领域中冷启动用户数据稀疏问题的一个潜在解决方案是添加来自辅助领域的数据。寻找从辅助领域提取知识并将其迁移到目标领域的合适方法是跨领域推荐（CDR）研究的主要目标之一。在现有方法中，映射方法是实现跨领域推荐模型的热门方法。对于此类模型，映射模块扮演着将数据从一个领域转换到另一个领域的角色。它主要决定了映射类 CDR 的性能。最近，扩散概率模型在图像合成相关任务中取得了令人瞩目的成功。它们涉及从加噪样本中恢复图像，这可以被视为具有出色性能的数据转换过程。为了进一步提升 CDR 的性能，我们首先揭示了 DPM 与 CDR 映射模块之间的潜在联系，然后提出了一种名为扩散跨领域推荐的新型 CDR 模型。更具体地说，我们首先采用 DPM 理论并设计了一个扩散模块，用于在目标领域生成用户嵌入。为了减少 DIM 中引入的随机性的负面影响并提高稳定性，我们采用了一个对齐模块来生成对齐的用户嵌入。此外，我们考虑了目标领域的标签数据并构建了面向任务的损失函数，这使得我们的 DiffCDR 能够适应特定任务。通过在真实收集的数据集上进行大量实验，我们证明了 DiffCDR 的有效性和适应性，在冷启动和暖启动场景下的各种 CDR 任务中均优于基线模型。