学习部分对齐的物品表示用于跨域序列推荐
信息检索
2024-08-22 v3 人工智能
摘要
跨域序列推荐（CDSR）旨在揭示并迁移用户在多个推荐域之间的序列偏好。尽管已有大量研究，但它们主要集中在开发先进的迁移模块和使用自监督学习技术对齐用户表示上。然而，物品表示的对齐问题受到的关注有限，且未对齐的物品表示可能导致次优的序列建模和用户表示对齐。为此，我们提出了一种与模型无关的框架，称为用于跨域序列推荐的跨域物品表示对齐（CA-CDSR），该框架实现了物品表示的序列感知生成和自适应部分对齐。具体而言，我们首先开发了一种序列感知特征增强策略，该策略同时捕获协同和序列物品相关性，从而促进全面的物品表示生成。接下来，我们从频谱视角进行实证研究，以探讨部分表示对齐问题。这促使我们设计了一种自适应频谱滤波器，以自适应地实现部分对齐。此外，对齐后的物品表示可以输入到不同的序列编码器中以获取用户表示。整个框架通过带有退火策略的多任务学习范式进行优化。大量实验表明，CA-CDSR 能够以显著优势超越 SOTA 基线，并能在表示空间中有效对齐物品以增强性能。
引用
@article{arxiv.2405.12473,
title = {Learning Partially Aligned Item Representation for Cross-Domain Sequential Recommendation},
author = {Mingjia Yin and Hao Wang and Wei Guo and Yong Liu and Zhi Li and Sirui Zhao and Zhen Wang and Defu Lian and Enhong Chen},
journal= {arXiv preprint arXiv:2405.12473},
year = {2024}
}