跨域推荐系统中的双曲知识迁移
信息检索
2024-07-08 v2 人工智能
摘要
跨域推荐 (Cross-Domain Recommendation, CDR) 旨在利用不同领域的知识来缓解目标推荐域中数据稀疏的问题, 近年来受到越来越多的关注. 尽管已有许多突破, 但目前大多数方法在欧几里得空间中表示用户和物品, 这并不理想用于处理推荐系统中的长尾分布数据. 此外, 来自其他域的数据可能会恶化整个数据集的长尾特征, 使 CDR 模型的训练更加困难. 最近的研究表明, 双曲方法特别适合建模长尾分布, 这促使我们探索在 CDR 场景中使用双曲表示来表示用户和物品. 然而, 由于不同域的独特特征, 将双曲表示学习应用于 CDR 任务颇具挑战性. 本文引入了新的框架称为双曲对比学习 (Hyperbolic Contrastive Learning, HCTS), 旨在捕捉每个域的独特特征, 同时实现域间的高效知识迁移. 我们通过对每个域的用户和物品进行单独嵌入, 并映射到具有可调曲率的不同双曲流形上进行预测. 为改善目标域中用户和物品的表示, 我们开发了用于知识迁移的双曲对比学习模块. 大量实验表明, 双曲流形是 CDR 任务欧几里得空间的有前景的替代方案.
引用
@article{arxiv.2406.17289,
title = {Hyperbolic Knowledge Transfer in Cross-Domain Recommendation System},
author = {Xin Yang and Heng Chang and Zhijian Lai and Jinze Yang and Xingrun Li and Yu Lu and Shuaiqiang Wang and Dawei Yin and Erxue Min},
journal= {arXiv preprint arXiv:2406.17289},
year = {2024}
}