面向多实体跨域推荐的有效两阶段知识迁移
信息检索
2024-11-26 v2 机器学习
摘要
近年来，电子商务平台上的推荐内容日益丰富——单个用户信息流可能包含多种实体，如销售商品、短视频和内容帖子。为了解决多实体推荐问题，一种直观的解决方案是采用基于共享网络的架构进行联合训练。其思想是将一种实体（源实体）提取的知识迁移到另一种实体（目标实体）。然而，与传统的同实体跨域推荐不同，多实体知识迁移面临几个重要问题：(1) 源实体和目标实体的数据分布自然不同，使得基于共享网络的联合训练容易受到负迁移问题的影响；(2) 更重要的是，每个实体对应的特征模式并不完全对齐（例如，价格是销售商品的基本特征，但对于内容帖子则缺失），使得现有方法不再适用。近期的研究人员也尝试了预训练和微调范式。同样，他们仅考虑具有相同实体类型和特征系统的场景，这在我们的案例中并不合适。为此，我们设计了一种基于预训练和微调的多实体知识迁移框架，称为 MKT。MKT 利用多实体预训练模块来提取不同实体间的可迁移知识。具体而言，首先应用特征对齐模块来缩放和对齐不同的特征模式。随后，采用若干知识提取器来提取通用知识和实体特定知识。最后，将提取的通用知识用于目标实体模型训练。通过大量的离线和在线实验，我们证明了 MKT 优于多种 State-Of-The-Art 方法。
引用
@article{arxiv.2402.19101,
title = {Effective Two-Stage Knowledge Transfer for Multi-Entity Cross-Domain Recommendation},
author = {Jianyu Guan and Zongming Yin and Tianyi Zhang and Leihui Chen and Yin Zhang and Fei Huang and Jufeng Chen and Shuguang Han},
journal= {arXiv preprint arXiv:2402.19101},
year = {2024}
}