面向物品到物品推荐的个性化联邦域适应
信息检索
2023-06-07 v1 机器学习
摘要
物品到物品（I2I）推荐是大多数推荐系统的一项重要功能，它基于特定物品与其他编目物品之间的语义相似性，为该物品生成替代或互补建议。鉴于推荐系统中的物品子集可能被同一组客户共同交互，基于图的模型（如图形神经网络（GNNs））提供了一个自然框架，用以组合、摄取并提取编目物品之间以及其元数据特征中的此类高阶关系交互的有价值洞察，正如许多近期研究所表明的。然而，为 I2I 有效学习 GNNs 需要摄取大量关系数据，而这些数据未必总可获得，尤其是在新兴细分市场中。为缓解这一数据瓶颈，我们假定从现有成熟细分市场（含私有数据）学到的推荐模式可被适应以构建面向新兴市场的有效热启动模型。为此，我们提出并研究了一种基于 GNNs 的个性化联邦建模框架，以将具有异构客户行为的细分市场间的推荐模式进行概括、组装与适应，形成有效的局部模型。我们的关键贡献是一个个性化图适应模型，它弥合了近期联邦 GNNs 文献与（非图）个性化联邦学习之间的鸿沟，后者要么未优化联邦模型的可适应性，要么局限于具有同质参数化的局部模型，而将具有异构局部图的 GNNs 排除在外。
引用
@article{arxiv.2306.03191,
title = {Personalized Federated Domain Adaptation for Item-to-Item Recommendation},
author = {Ziwei Fan and Hao Ding and Anoop Deoras and Trong Nghia Hoang},
journal= {arXiv preprint arXiv:2306.03191},
year = {2023}
}
备注
14 pages, Accepted by UAI 2023