基于评论文本的双曲跨域推荐

数据稀疏性问题对推荐系统构成重大挑战。为此，提出了利用评论文本等辅助信息的算法。此外，跨域推荐(CDR)能够捕获领域可共享知识并将其从丰富领域（源域）迁移到稀疏领域（目标域），受到了显著关注。然而，大多数现有方法假设欧几里得嵌入空间，在准确表示更丰富的文本信息和管理用户与物品之间的复杂交互方面遇到困难。本文提出一种基于评论文本的双曲CDR方法来建模用户-物品关系。我们首先强调，传统的基于距离的领域对齐技术可能引发问题，因为双曲几何中的微小修改会导致放大的扰动，最终导致层次结构崩溃。为解决这一挑战，我们提出了层次感知嵌入和领域对齐方案，调整尺度以提取领域可共享信息而不破坏结构形式。该过程包括在双曲空间中初始嵌入评论文本，然后进行结合基于度的归一化和结构对齐的特征提取。我们进行了大量实验，以证明我们提出的模型相对于最先进基线的效率、鲁棒性和可扩展性。