面向跨域推荐中用户偏好的等价变换
信息检索
2022-03-18 v2
摘要
跨域推荐（CDR）是推荐系统中一个热门的研究方向。本文关注 CDR 中一种常见场景：不同域共享同一批用户但无重叠物品。近期多数方法探索共享用户表示以跨域迁移知识。然而，共享用户表示的思路倾向于学习用户偏好的重叠特征，而抑制了领域特有特征。其他工作尝试通过 MLP 映射捕获领域特有特征，但需启发式人工知识以选取样本训练映射。本文中，我们试图以更原则性的方式学习用户偏好的两类特征。我们假设用户在某一域中的偏好可由另一域表达，且这些偏好可通过所谓等价变换相互转换。基于此假设，我们提出等价变换学习器（ETL），其对跨域用户行为的联合分布建模。ETL 中的等价变换放宽了共享用户表示的思路，允许不同域中学得的偏好保留领域特有特征及重叠特征。在三个公开基准上的大量实验证明了 ETL 相比近期最先进方法的有效性。代码与数据在线可用：~\url{https://github.com/xuChenSJTU/ETL-master}
引用
@article{arxiv.2009.06884,
title = {Towards Equivalent Transformation of User Preferences in Cross Domain Recommendation},
author = {Xu Chen and Ya Zhang and Ivor Tsang and Yuangang Pan and Jingchao Su},
journal= {arXiv preprint arXiv:2009.06884},
year = {2022}
}
备注
Accepted by ACM Transactions on Information Systems (TOIS), 2022