基于嵌入解耦与域对齐的多域推荐
信息检索
2023-08-15 v2 人工智能
摘要
多域推荐（MDR）旨在为具有重叠用户/物品的不同域（如产品类型）提供推荐，对于托管多项服务的 Amazon、Facebook 和 LinkedIn 等平台十分常见。现有 MDR 模型面临两大挑战：首先，难以解耦跨域泛化的知识（如用户喜欢廉价物品）与仅特定于单一域的知识（如用户喜欢蓝色衣物但不喜欢蓝色汽车）；其次，它们在具有较小重叠的域间迁移知识的能力有限。我们提出一种名为 EDDA 的新 MDR 方法，其包含两个关键组件，即嵌入解耦推荐器与域对齐，分别应对上述两大挑战。具体而言，嵌入解耦推荐器将域间部分与域内部分的模型和嵌入均进行分离，而多数现有 MDR 方法仅关注模型级解耦。域对齐利用图处理中的随机游走从不同域识别相似用户/物品对，并促使相似用户/物品对具有相近嵌入，从而增强知识迁移。我们在 3 个真实数据集上将 EDDA 与 12 个最先进的基线进行比较。结果表明，EDDA 在所有数据集与域上均稳定优于基线。所有数据集与代码见 https://github.com/Stevenn9981/EDDA。
引用
@article{arxiv.2308.05508,
title = {Multi-domain Recommendation with Embedding Disentangling and Domain Alignment},
author = {Wentao Ning and Xiao Yan and Weiwen Liu and Reynold Cheng and Rui Zhang and Bo Tang},
journal= {arXiv preprint arXiv:2308.05508},
year = {2023}
}
备注
Accepted by CIKM'23 as a Long paper