魔鬼在源域中！信息瓶颈视角下的知识增强跨域推荐

跨域推荐（CDR）旨在通过利用信息丰富的源域知识来缓解传统推荐系统中的数据稀疏性和冷启动问题。然而，先前提出的CDR模型遵循一个轻率的假设，即源域的全部信息对目标域的贡献是均等的，忽略了其中与用户内在兴趣完全无关的“有害”部分。为了解决这个问题，本文提出了一种新颖的知识增强跨域推荐框架，名为CoTrans，它重塑了CDR模型的核心流程：对源域知识进行压缩，并将纯净信息迁移到目标域。具体而言，遵循图信息瓶颈理论，CoTrans首先在感知目标域信息的情况下压缩源域行为。然后，为了保留CDR任务的所有重要信息，利用来自两个域的反馈信号来提升迁移过程的有效性。此外，还采用了一个知识增强编码器来缩小因跨域非重叠项目造成的差距。在三个广泛使用的跨域数据集上的综合实验表明，CoTrans显著优于单域和最先进的跨域推荐方法。