面向冷启动跨域推荐的基于图的解耦对比学习框架——DisCo
信息检索
2025-02-13 v3 机器学习
摘要
推荐系统在各种实际应用中广泛使用，但常常面临用户冷启动问题。跨域推荐(CDR)通过利用一个域中的用户交互来提高另一个域中预测性能的效果日益突出。然而，源域中相似偏好的用户在目标域中可能表现出不同的兴趣。因此，直接转移嵌入会引入不相关的源域协同信息。本文提出了一种 novel 的基于图的解耦对比学习框架，用于捕获细粒度用户意图并过滤掉不相关的协同信息，从而避免负迁移。具体而言，对于每个域，我们使用多通道图编码器捕获多样化的用户意图。随后，我们在嵌入空间中构建亲和图，并进行多步随机漫步，以捕获高阶用户相似性关系。将一个域视为目标，提出一种以用户相似性为指导的解耦意图对比学习方法，以细化跨域用户意图的桥接。广泛的在四个基准CDR数据集上的实验表明，DisCo consistently 优于现有的 state-of-the-art baseline，从而验证了DisCo及其各个组件的有效性。
引用
@article{arxiv.2412.15005,
title = {DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation},
author = {Hourun Li and Yifan Wang and Zhiping Xiao and Jia Yang and Changling Zhou and Ming Zhang and Wei Ju},
journal= {arXiv preprint arXiv:2412.15005},
year = {2025}
}
备注
Accepted at AAAI 2025