一体通用，通用一体：面向跨域推荐的的用户嵌入学习与迁移
信息检索
2022-11-23 v1
摘要
跨域推荐是提升推荐系统性能的重要方法，尤其在目标域观测稀疏时。然而，现有多数技术聚焦于单目标或双目标跨域推荐（CDR），难以推广到具有多个目标域的CDR。此外，负迁移问题在CDR中普遍存在，即目标域的推荐性能未必总能被源域所学知识提升，尤其当源域数据稀疏时。本研究提出CAT-ART，一种多目标CDR方法，通过表示学习与嵌入迁移来提升所有参与域的推荐效果。我们的方法包含两部分：一个自监督对比自编码器（CAT）框架，基于所有参与域的信息生成全局用户嵌入；以及一个基于注意力的表示迁移（ART）框架，将其他域的特定域用户嵌入迁移以辅助目标域推荐。CAT-ART通过结合所学全局用户表示、从其他域迁移的知识以及目标域原有用户嵌入，提升任意目标域的推荐性能。我们在收集的真实世界多域CDR数据集上进行了大量实验，该数据集跨越5个域并涉及百万用户。实验结果证明了所提方法相对于一系列已有方法的优越性。我们进一步进行了消融实验以验证各组件的有效性。我们收集的数据集将开源，以促进多域推荐系统及用户建模领域的未来研究。
引用
@article{arxiv.2211.11964,
title = {One for All, All for One: Learning and Transferring User Embeddings for Cross-Domain Recommendation},
author = {Chenglin Li and Yuanzhen Xie and Chenyun Yu and Bo Hu and Zang li and Guoqiang Shu and Xiaohu Qie and Di Niu},
journal= {arXiv preprint arXiv:2211.11964},
year = {2022}
}
备注
9 pages, accepted by WSDM 2023