面向稳健跨域推荐的联合可识别性建模

近期的跨域推荐(CDR)研究假设，通过分离领域共享和领域特定的用户表示可以缓解域间差距并促进有效的知识迁移。然而，在实际操作中实现完美的分离具有挑战性，因为用户在CDR中的行为极其复杂，无法仅通过观察到的用户-物品交互来完全捕捉真实的底层用户偏好。鉴于这种不可行性，我们提出了一种联合可识别性建模方法，以在不同域中建立用户表示的唯一对应关系，确保即使在用户行为在不同域中发生偏移时，仍能进行一致的偏好建模。为实现这一目标，我们引入一种分层用户偏好建模框架，将用户表示组织化为神经网络编码器深度的不同子空间，允许对浅层和深层子空间进行独立处理。在浅层子空间中，框架为每个用户在每个域中建模兴趣中心，通过概率方式确定用户的兴趣归属，并在域之间选择性地对齐这些中心，以确保域无关特征的细粒度一致性。对于深层子空间表示，我们通过将其分解为共享的跨域稳定成分和域变异成分，并通过双射变换建立唯一对应关系来实现联合可识别性。在针对不同域相关性的真实世界CDR任务进行的实证研究表明，我们的方法在各种情况下都能持续超过最先进的技术，即使在弱相关任务方面也能做到这一点，凸显了在实现稳健CDR中联合可识别性的重要性。