RecGURU：用于跨域推荐的广义用户表示的对抗学习
信息检索
2021-11-22 v1 人工智能
摘要
跨域推荐有助于缓解传统序列推荐系统中的数据稀疏问题。在本文中，我们提出RecGURU算法框架，以在序列推荐中生成融合跨域用户信息的广义用户表示（GUR），即便两个域之间仅有极少或没有共同用户。我们提出一种自注意力自编码器来推导潜在用户表示，以及一种域判别器，其旨在预测所生成潜在表示的来源域。我们提出一种新颖的对抗学习方法来训练这两个模块，将不同域生成的用户嵌入统一为每个用户的单一全局GUR。学习到的GUR捕捉了用户的整体偏好与特征，因此可用于增强行为数据并改善该用户所涉任意单一域中的推荐。我们在两个公开跨域推荐数据集以及从真实应用收集的大型数据集上进行了大量实验。结果表明，RecGURU提升了性能并优于多种最先进的序列推荐与跨域推荐方法。所收集的数据将被发布以促进未来研究。
引用
@article{arxiv.2111.10093,
title = {RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation},
author = {Chenglin Li and Mingjun Zhao and Huanming Zhang and Chenyun Yu and Lei Cheng and Guoqiang Shu and Beibei Kong and Di Niu},
journal= {arXiv preprint arXiv:2111.10093},
year = {2021}
}
备注
11 pages, 2 figures, 4 tables, Proceedings of the Fifteenth ACM International Conference on Web Search and Data Mining