面向跨域推荐的三重序列学习
信息检索
2023-06-09 v2
摘要
跨域推荐（CDR）旨在利用用户在源域与目标域中行为的相关性，改进目标域中的用户偏好建模。传统 CDR 方法通常探索源域与目标域行为间的双重关系。然而，这可能忽略自然反映用户全局偏好的信息性混合行为。为解决此问题，我们提出一种新框架，称为面向跨域推荐的三重序列学习（Tri-CDR），其联合建模源域、目标域与混合行为序列，以突出全局与目标偏好并精确建模 CDR 中的三重相关性。具体而言，Tri-CDR 独立建模三重行为序列的隐表示，并提出三重跨域注意力（TCA）方法以强调与用户全局及目标域偏好相关的信息性知识。为全面探索跨域相关性，我们设计了一种三重对比学习（TCL）策略，同时考虑三重序列间的粗粒度相似性与细粒度差异，在多域中确保对齐的同时保留信息多样性。我们在六种跨域设定下进行了充分的实验与分析。Tri-CDR 在不同序列编码器下的显著提升验证了其有效性与通用性。代码将在录用后发布。
引用
@article{arxiv.2304.05027,
title = {Triple Sequence Learning for Cross-domain Recommendation},
author = {Haokai Ma and Ruobing Xie and Lei Meng and Xin Chen and Xu Zhang and Leyu Lin and Jie Zhou},
journal= {arXiv preprint arXiv:2304.05027},
year = {2023}
}
备注
24 pages, 6 figures, under review