通过分层子空间解耦实现跨域推荐的联合可辨识性

跨域推荐（CDR）旨在实现跨域的有效知识迁移。现有工作依赖于表示对齐或转换桥梁，但它们难以从特定域潜在因子中识别出共享域因子。具体而言，尽管 CDR 将用户表示描述为两个域上的联合分布，但这些方法未能考虑其联合可辨识性，因为它们主要关注特定域内的边缘分布。这种失败可能会忽略两个域之间的条件性及其对潜在因子解耦的贡献，从而导致在域间弱相关时发生负迁移。在本研究中，我们从因果视角探讨了跨域用户表示中应该迁移和不应该迁移的内容。我们提出了一种分层子空间解耦方法来探索跨域联合分布的联合可辨识性，称为 HJID，以将特定域行为与共享域因子分离开来。HJID 将用户表示组织成不同层次：通用浅层子空间和面向特定域的深层子空间。我们首先通过最小化初始层激活的最大均值差异在浅层子空间中编码通用模式。然后，为了剖析面向特定域的潜在因子如何在更深层激活中被编码，我们构建了一个基于跨域因果的数据生成图，该图在遵循最小变化原则下识别跨域一致和特定域的组件。这使得 HJID 能够在保持稳定性的同时，为不同域发现独特因子，这一切都在一个保证联合可辨识性的可逆变换生成框架内完成。在真实世界数据集上的实验表明，HJID 在一系列强相关和弱相关 CDR 任务上均优于 SOTA 方法。