面向高效有效跨域推荐的双重度量学习
信息检索
2021-04-21 v2 机器学习
摘要
跨域推荐系统在帮助消费者在不同应用中识别有用物品方面日益重要。然而，现有跨域模型通常需要大量重叠用户，这在某些应用中难以获取。此外，它们未考虑跨域推荐任务的二元结构，因而未能顾及用户与物品间的双向潜在关系并获得最优推荐性能。为解决这些问题，本文提出一种基于双重学习的新型跨域推荐模型，其在两个相关域间以迭代方式传递信息直至学习过程稳定。我们提出一种新颖的潜在正交映射，以在多个域上提取用户偏好，同时保留不同潜在空间下用户间的关系。此外，我们将双重学习方法与度量学习方案结合，这使我们能显著减少两域间所需的公共用户重叠，并带来更佳的跨域推荐性能。我们在两个大规模工业数据集与六组域对上测试所提模型，表明其持续且显著优于所有 SOTA 基线。我们还展示所提模型在极少重叠用户下也能取得与使用大量重叠用户的 SOTA 基线相当的满意推荐性能。
引用
@article{arxiv.2104.08490,
title = {Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations},
author = {Pan Li and Alexander Tuzhilin},
journal= {arXiv preprint arXiv:2104.08490},
year = {2021}
}
备注
Accepted to IEEE TKDE. arXiv admin note: text overlap with arXiv:1910.05189