一应多域：基于反事实增强的全域自适应推荐
信息检索
2024-12-19 v2
摘要
多域推荐旨在提升跨域推荐性能。然而，在线平台中的真实推荐系统往往需要处理数十甚至上百个域，远超传统多域推荐算法通常关注的少于五个域的能力。关键挑战包括参数数量大幅增加、维护成本高昂以及跨域知识迁移模式复杂。此外，小域常受数据稀疏问题困扰，导致经典方法训练不足。为解决这些问题，我们提出基于反事实增强的全域自适应推荐（AREAD）。AREAD采用层次结构，在多个层上使用有限数量的专家网络，以有效捕获不同粒度的域知识。为自适应捕获跨域知识迁移模式，我们在训练过程中为每个域生成并迭代剪枝一个层次化专家网络选择掩码。此外，利用反事实假设对小域数据进行增强，支持其迭代掩码剪枝。我们在两个各包含二十多个域的公共数据集上的实验证明了AREAD的有效性，尤其是在数据稀疏域中。源代码见https://github.com/Chrissie-Law/AREAD-Multi-Domain-Recommendation。
引用
@article{arxiv.2412.11905,
title = {One for Dozens: Adaptive REcommendation for All Domains with Counterfactual Augmentation},
author = {Huishi Luo and Yiwen Chen and Yiqing Wu and Fuzhen Zhuang and Deqing Wang},
journal= {arXiv preprint arXiv:2412.11905},
year = {2024}
}
备注
Extended version accepted by AAAI 2025