探索基于偏好引导的跨域推荐扩散模型
信息检索
2025-01-22 v1
摘要
跨域推荐（CDR）已被证明是缓解冷启动问题的有效方法，其中最关键的问题是如何通过传递源域中现有的偏好来在目标域中获得信息丰富的用户表示。以往的工作大多遵循嵌入-映射范式，即首先将偏好整合到源域中用户的表示中，然后对该表示进行映射函数以传输到目标域。然而，这些方法关注跨域特征的映射，忽略了对偏好整合过程的显式建模，可能导致学习粗糙的用户表示。扩散模型（DMs）由于其显式信息注入能力，能够获得更准确的用户/物品表示，在推荐系统中取得了令人鼓舞的性能。然而，这些基于DMs的方法无法直接处理来自其他域的宝贵用户偏好，导致在冷启动用户的偏好传输方面面临挑战。因此，DMs 在 CDR 中的可行性仍未得到充分探索。为此，我们探索利用DMs的显式信息注入能力进行用户偏好整合，提出一种用于冷启动用户的偏好引导扩散模型，用于跨域推荐，称为 DMCDR。具体而言，我们利用偏好编码器通过源域中用户的交互历史建立偏好引导信号。然后，我们逐步将偏好引导信号显式注入用户表示，以引导逆过程，最终生成目标域中的个性化用户表示，从而实现跨域的用户偏好传输。此外，我们全面探索了六种基于DMs的变体对CDR的影响。
引用
@article{arxiv.2501.11671,
title = {Exploring Preference-Guided Diffusion Model for Cross-Domain Recommendation},
author = {Xiaodong Li and Hengzhu Tang and Jiawei Sheng and Xinghua Zhang and Li Gao and Suqi Cheng and Dawei Yin and Tingwen Liu},
journal= {arXiv preprint arXiv:2501.11671},
year = {2025}
}
备注
This paper is accepted by KDD'2025