无偏且鲁棒：外部注意力增强的图对比学习用于跨域序列推荐
信息检索
2024-02-08 v3
摘要
跨域序列推荐器（CSR）因能利用多域辅助信息捕获用户序列偏好而获得相当的研究关注。然而，这些工作通常遵循一种理想设定，即不同域服从相似的数据分布，忽略了由非对称交互密度（亦称域间密度偏差）带来的偏差。此外，序列编码器中频繁采用的机制（如自注意力网络）仅关注局部视图内的交互，忽视了不同训练批次间的全局关联。为此，我们提出一种外部注意力增强的图对比学习框架，即 EA-GCL。具体而言，为消除域间密度偏差的影响，在传统图编码器下以多任务学习方式附加了一个辅助自监督学习（SSL）任务。为鲁棒地捕获用户行为模式，我们开发了包含基于 MLP 的记忆共享结构的外部注意力序列编码器。与自注意力机制不同，此类结构可有效缓解来自基于批次训练方案的偏差干扰。在两个真实世界数据集上的大量实验表明，EA-GCL 在 CSR 任务上优于若干最先进基线。源代码与相关数据集可在 https://github.com/HoupingY/EA-GCL 获取。
引用
@article{arxiv.2310.04633,
title = {Unbiased and Robust: External Attention-enhanced Graph Contrastive Learning for Cross-domain Sequential Recommendation},
author = {Xinhua Wang and Houping Yue and Zizheng Wang and Liancheng Xu and Jinyu Zhang},
journal= {arXiv preprint arXiv:2310.04633},
year = {2024}
}
备注
9 pages, 4 figures, accepted by ICDM 2023 (workshop-GML4Rec)