基于模体的提示学习用于通用跨域推荐
信息检索
2023-10-23 v1
摘要
跨域推荐(CDR)是一项关键技术，通过将源域的通用知识迁移至目标域，解决数据稀疏与冷启动问题。然而，现有CDR模型因其固有的复杂性，在不同场景中的适应性受限。为应对此挑战，近期进展引入了通用CDR模型，其利用共享嵌入捕获跨域通用知识，并通过“多任务学习”或“预训练、微调”范式进行迁移。然而，这些模型常忽视跨越域的更广义结构拓扑，且未能对齐训练目标，可能导致负迁移。为解决这些问题，我们提出一种基于模体的提示学习框架MOP，其引入基于模体的共享嵌入以封装泛化域知识，兼顾域内与域间CDR任务。具体而言，我们设计了三种典型模体：蝴蝶形、三角形与随机游走，并通过基于模体的编码器对其进行编码以获得基于模体的共享嵌入。此外，我们在“预训练与提示调优”范式下训练MOP。通过将预训练与推荐任务统一为通用的基于模体的相似度学习任务，并集成可适配的提示参数以引导模型完成下游推荐任务，MOP在域知识迁移方面表现优异。在四项不同CDR任务上的实验结果证明了MOP优于最先进模型的有效性。
引用
@article{arxiv.2310.13303,
title = {Motif-Based Prompt Learning for Universal Cross-Domain Recommendation},
author = {Bowen Hao and Chaoqun Yang and Lei Guo and Junliang Yu and Hongzhi Yin},
journal= {arXiv preprint arXiv:2310.13303},
year = {2023}
}
备注
10pages