面向开放世界跨域序列推荐：一种模型无关的对比去噪方法
信息检索
2024-06-06 v3 机器学习
摘要
跨域序列推荐（CDSR）旨在解决传统序列推荐（SR）系统中存在的数据稀疏问题。现有方法致力于设计特定的跨域单元，借助具有丰富行为的重叠用户，实现信息跨多个域的迁移与传播。然而，在真实推荐系统中，CDSR 场景通常由占多数的、具有稀疏行为的长尾用户，以及仅存在于单一域中的冷启动用户构成。这导致现有 CDSR 方法在真实工业平台上的性能下降。因此，提升开放世界 CDSR 场景下模型的一致性与有效性，对构建 CDSR 模型至关重要（第一挑战）。近来，部分 SR 方法利用辅助行为补充长尾用户信息。然而，这些多行为 SR 方法在 CDSR 中无法取得理想性能，因为它们忽视了目标行为与辅助行为之间的语义鸿沟，以及跨域的用户兴趣偏移（第二挑战）。
引用
@article{arxiv.2311.04760,
title = {Towards Open-world Cross-Domain Sequential Recommendation: A Model-Agnostic Contrastive Denoising Approach},
author = {Wujiang Xu and Xuying Ning and Wenfang Lin and Mingming Ha and Qiongxu Ma and Qianqiao Liang and Xuewen Tao and Linxun Chen and Bing Han and Minnan Luo},
journal= {arXiv preprint arXiv:2311.04760},
year = {2024}
}