面向跨域推荐的分布域不变偏好匹配

在缺乏重叠用户/物品的情况下学习准确的跨域偏好映射，一直是非重叠跨域推荐（NOCDR）中的一个持续性挑战。尽管以往研究为应对 NOCDR 做出了努力，仍存在若干局限。具体而言：1）部分方法以重叠行为替代重叠用户/物品，但无法处理此类辅助信息不可用的 NOCDR 场景；2）通常，跨域偏好映射通过学习两域中采样用户之间的确定性显式表示匹配来建模。然而，这会因个体偏好而产生偏差，从而无法纳入总体人群的偏好连续性与普遍性。有鉴于此，我们假设尽管用户行为分散，普通人群间仍存在一致的潜在偏好分布。对这类分布建模进一步使我们能够捕捉各域内用户行为的连续性，并发现跨域的偏好不变性。为此，我们提出一种用于非重叠跨域推荐的分布域不变偏好匹配方法（DPMCDR）。对于每个域，我们利用源自用户-物品交互的经验证据分层近似域级偏好分布的后验。接下来，我们旨在建立两域域级偏好之间的分布隐式匹配。该过程将它们映射到共享潜在空间，并通过最小化其分布表示之间的距离来寻求域不变偏好的共识。如此，若两非重叠域展现出相似的域不变偏好模式，我们便可识别其对齐关系。