基于上下文不变量的单对多跨域推荐迁移学习
信息检索
2020-05-22 v1 机器学习
机器学习
摘要
社交网络上新用户与新项目的迅速激增加剧了推荐系统中的灰羊用户/长尾项目挑战。历史上，跨域共聚类方法已成功利用稠密与稀疏域间共享的用户与项目来改进推断质量。然而，它们依赖共享评分数据，且无法扩展到多个稀疏目标域（即单对多迁移设定）。这一点，加上神经推荐架构的日益采用，促使我们开发可扩展的神经层迁移方法用于跨域学习。我们的核心直觉是，以跨稠密与稀疏域共享的域不变组件引导神经协同过滤，从而改进在稀疏域中学习到的用户与项目表示。我们利用跨域上下文不变性来开发这些共享模块，并证明借助用户-项目交互上下文，即便交互数据稀疏，我们也能学会学习信息丰富的表示空间。我们在两个公开数据集以及来自全球支付技术公司 Visa 的海量交易数据集上展示了我们方法的有效性与可扩展性（Item Recall 19%，相较为每个域训练独立模型快 3 倍）。我们的方法适用于隐式与显式反馈设定。
引用
@article{arxiv.2005.10473,
title = {Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation},
author = {Adit Krishnan and Mahashweta Das and Mangesh Bendre and Hao Yang and Hari Sundaram},
journal= {arXiv preprint arXiv:2005.10473},
year = {2020}
}
备注
SIGIR 2020