面向非重叠场景下的基于最优传输的用户偏好分布建模用于跨域推荐
信息检索
2026-03-03 v3 机器学习
摘要
跨域推荐系统（CDR）旨在将数据丰富领域的知识传递到数据稀疏领域，从而缓解常规单域推荐中存在的稀疏性和冷启动问题。然而，许多 CDR 方法依赖重叠的用户或物品以建立明确的跨域连接，这在实际中并不现实。此外，大多数方法将用户偏好表示为固定的离散向量，这限制了其捕捉用户兴趣细粒度和多维度特性的能力。为解决这些限制，我们提出了 DUP-OT（基于最优传输的用户偏好分布），这是一种用于非重叠 CDR 的新型框架。DUP-OT 包含三个阶段：（1）一个共享的预处理模块，使用统一的句子编码器和自编码器提取评论基础的嵌入；（2）用户偏好建模模块，将每个用户的兴趣表示为物品嵌入上的高斯混合模型（GMM）；（3）基于最优传输的对齐模块，在领域之间匹配高斯成分，实现对目标领域评分预测的有效偏好传递。在亚马逊评论数据集上进行的实验表明，DUP-OT 在无源域数据的情况下也优于单域基准方法，并在严格的非重叠训练设置下比跨域基准 TDAR 实现更低的均方根误差（RMSE），显示其在减少冷启动用户的大规模预测误差方面的有效性。该实现已在 https://github.com/XiaoZY2000/dup-ot 上提供。
引用
@article{arxiv.2508.16210,
title = {Modeling User Preferences as Distributions for Optimal Transport-Based Cross-Domain Recommendation under Non-Overlapping Settings},
author = {Ziyin Xiao and Toyotaro Suzumura},
journal= {arXiv preprint arXiv:2508.16210},
year = {2026}
}