Pacer 与 Runner：基于单域与跨域序列推荐的协作学习框架
信息检索
2024-07-25 v2 人工智能
摘要
跨域序列推荐（Cross-Domain Sequential Recommendation, CDSR）通过利用多个领域的信息来提高推荐性能，而单域序列推荐（Single-Domain Sequential Recommendation, SDSR）则依赖于特定领域内的历史交互。然而，由于负迁移（negative transfer）问题，CDSR 在某些领域可能会表现不如 SDSR 方法。负迁移发生在领域之间缺乏关联或数据稀疏度不同时。为解决负迁移问题，本文提出的 CDSR 模型估计每个领域的负迁移程度，并将其作为预测损失的权重因子，以控制具有显著负迁移的领域中的梯度流动。为此，本模型通过比较在多个领域上训练的模型（CDSR）与仅在特定领域上训练的模型（SDSR）来评估每个领域的负迁移，使用我们的非对称合作网络。此外，为促进 SDSR 与 CDSR 任务之间有价值线索的传递，我们开发了辅助损失函数，以最大化两个任务在每个领域上代表相关性对的表征之间的互信息。SDSR 与 CDSR 任务之间的这种协作学习类似于马拉松中领跑者与跟跑者之间的协作动态。我们在两个真实工业数据集上的 extensive 实验表明，我们的模型在众多以前工作中表现优异。我们还将模型部署在个人助理应用服务的推荐系统中，相较于现有模型实现了 21.4% 的点击率提升，对实际商业业务具有重要价值。
引用
@article{arxiv.2407.11245,
title = {Pacer and Runner: Cooperative Learning Framework between Single- and Cross-Domain Sequential Recommendation},
author = {Chung Park and Taesan Kim and Hyungjun Yoon and Junui Hong and Yelim Yu and Mincheol Cho and Minsung Choi and Jaegul Choo},
journal= {arXiv preprint arXiv:2407.11245},
year = {2024}
}
备注
Accepted at SIGIR'24 (Best Paper Honorable Mention)