面向协同跨域推荐的隐用户关联方法
信息检索
2019-08-20 v1
摘要
随着信息系统的广泛采用，推荐系统被普遍用于改善用户体验。协同过滤是实现推荐系统的一种流行方法。然而，协同过滤方法高度依赖于用户反馈，而用户反馈往往高度稀疏且难以获取。不过，若能利用一个更稠密且相关的辅助域中的知识来提升稀疏目标域的推荐精度，此类问题便可得到缓解。在本文中，我们提出一种深度学习方法来构建跨域推荐系统，该方法通过将跨域用户隐表示进行关联，以此作为跨域知识迁移的一种形式。我们假设用户品味与行为的跨域相似性在低维用户隐表示中清晰可辨。这些用户相似性被用于关联各个域。为此，我们提出一种基于变分自编码器(Variational Autoencoder)的网络模型用于跨域关联，并加入上下文信息以处理稀疏数据并更好地迁移跨域知识。我们进一步扩展该模型，使其更适用于冷启动场景，并利用辅助用户信息以额外提升推荐精度。所提模型的有效性使用多个数据集进行了实证评估。实验证明，所提模型优于当前最先进(state of the art, SOTA)技术。
引用
@article{arxiv.1908.06583,
title = {Latent User Linking for Collaborative Cross Domain Recommendation},
author = {Sapumal Ahangama and Danny Chiang-Choon Poo},
journal= {arXiv preprint arXiv:1908.06583},
year = {2019}
}