面向双目标跨域推荐的域解耦与插值数据增强
信息检索
2023-07-27 v1
摘要
传统的单目标跨域推荐（CDR）旨在通过将知识从信息相对更丰富的源域迁移，来提升较稀疏目标域的推荐性能。相比之下，近年来双目标 CDR 被提出以同时提升两域的推荐性能。然而，为此在双目标 CDR 中存在两个挑战：（1）如何生成相关且多样的增强用户表示；（2）除域共享信息外，如何有效从域特定信息中解耦出域独立信息，以捕获全面的用户偏好。为应对上述两挑战，我们提出一种用于双目标跨域推荐的基于解耦与插值数据增强的框架，称为 DIDA-CDR。在 DIDA-CDR 中，我们首先提出插值数据增强方法，生成相关且多样的增强用户表示，以增广较稀疏域并探索潜在用户偏好。随后我们提出解耦模块，有效解耦域特定与域独立信息，以捕获全面的用户偏好。两步均显著有助于捕获更全面的用户偏好，从而提升各域推荐性能。在五个真实数据集上的大量实验表明了 DIDA-CDR 相较最先进方法的显著优越性。
引用
@article{arxiv.2307.13910,
title = {Domain Disentanglement with Interpolative Data Augmentation for Dual-Target Cross-Domain Recommendation},
author = {Jiajie Zhu and Yan Wang and Feng Zhu and Zhu Sun},
journal= {arXiv preprint arXiv:2307.13910},
year = {2023}
}
备注
Accepted by RecSys 2023