利用变分域不变用户嵌入的 partially overlapped 跨域推荐
信息检索
2022-05-30 v2
摘要
跨域推荐（CDR）已被广泛研究，以利用不同领域知识解决推荐系统中的冷启动问题。现有多数CDR模型假设源域与目标域共享相同的重叠用户集以进行知识迁移。然而在实际CDR任务中，仅少数比例用户同时在源域和目标域活跃。本文关注部分重叠跨域推荐（POCDR）问题，即如何利用重叠与非重叠用户的信息以提升推荐性能。现有方法无法充分利用跨域非重叠用户背后的有用知识，当多数用户为非重叠时限制了模型性能。为此，我们提出一种端到端双自动编码器与变分域不变嵌入对齐（VDEA）模型，一种面向POCDR问题的跨域推荐框架，其利用带局部与全局嵌入对齐的双变分自动编码器来挖掘域不变用户嵌入。VDEA首先采用变分推断捕捉协同用户偏好，然后利用Gromov-Wasserstein分布共聚类最优传输对用户按相似评分交互行为聚类。在Douban和Amazon数据集上的实证研究表明，VDEA显著优于最先进模型，尤其在POCDR设定下。
引用
@article{arxiv.2205.06440,
title = {Exploiting Variational Domain-Invariant User Embedding for Partially Overlapped Cross Domain Recommendation},
author = {Weiming Liu and Xiaolin Zheng and Mengling Hu and Chaochao Chen},
journal= {arXiv preprint arXiv:2205.06440},
year = {2022}
}