通过监督性解缠提升跨域推荐的可迁移性与一致性
信息检索
2025-07-24 v1
摘要
跨域推荐 (CDR) 旨在通过在不同域之间传递知识来缓解数据稀疏问题。解缠表示学习提供了有效解决方案，通过分离域内特征（域共享特征和域特定特征）来建模复杂的用户偏好，从而增强鲁棒性和可解释性。然而，采用生成建模或基于对比目标的图神经网络的解缠方法面临两个关键挑战：(i) 预解缠策略在提取协作信号之前解耦特征，破坏域内相互作用，引入噪声；(ii) 非监督解缠目标缺乏明确的任务特定指导，导致一致性有限且对齐次不足。为解决这些挑战，我们提出了 DGCDR，一个基于图神经网络的编码器-解码器框架。为处理挑战 (i)，DGCDR 首先应用图神经网络提取高阶协作信号，为解缠提供丰富的表示作为稳健基础。编码器随后动态地将特征解缠到域共享和域特定空间，保留协作信息以进行分离。为处理挑战 (ii)，解码器引入基于锚点的监督性，利用层次特征关系增强域内一致性和跨域对齐。大量实验表明，DGCDR 在真实数据集上实现了最先进的性能，关键指标提升最高可达 11.59%。定性分析进一步验证了其在解缠质量和可迁移性方面的优越性。我们的源代码和数据集已在 GitHub 上提供，以便进一步比较。
引用
@article{arxiv.2507.17112,
title = {Enhancing Transferability and Consistency in Cross-Domain Recommendations via Supervised Disentanglement},
author = {Yuhan Wang and Qing Xie and Zhifeng Bao and Mengzi Tang and Lin Li and Yongjian Liu},
journal= {arXiv preprint arXiv:2507.17112},
year = {2025}
}