基于分离对比学习和课程调度的跨域推荐匹配
信息检索
2025-02-25 v1 机器学习
社会与信息网络
摘要
跨域推荐（CDR）旨在利用源域信息提高目标域的推荐性能。对比学习方法广泛应用于源域和目标域内的用户/项目（intra-CL）以及跨域用户/项目（inter-CL）的表征学习和知识迁移，作为匹配阶段的关键技术。然而，我们观察到直接将对比学习应用于混合的 intra-CL 和 inter-CL 任务忽略了从跨域学习比从内域学习更具挑战性，导致严重的训练不稳定。这种不稳定性会损害表征学习过程并降低生成嵌入质量。为此，我们提出一种新框架SCCDR，基于分离的 intra-CL 和 inter-CL 范式，并引入stop-gradient操作以处理上述缺陷。具体而言，SCCDR包含两个专门的课程阶段：内-域分离和跨域课程调度。前者显式使用针对源域和目标域的两个不同对比视图进行 intra-CL 任务。而后者则通过考虑基于重叠用户的负样本难度性来构建有效课程。实验在多个开源数据集以及来自真实世界推荐系统的离线专有工业数据集上验证，线上A/B测试也证明SCCDR在多个基线上实现了最先进的性能。
引用
@article{arxiv.2502.16239,
title = {Separated Contrastive Learning for Matching in Cross-domain Recommendation with Curriculum Scheduling},
author = {Heng Chang and Liang Gu and Cheng Hu and Zhinan Zhang and Hong Zhu and Yuhui Xu and Yuan Fang and Zhen Chen},
journal= {arXiv preprint arXiv:2502.16239},
year = {2025}
}
备注
Accepted by TheWebConf 2025