TLDR： 本文提出了一个全新的端到端跨域推荐框架COAST，通过利用对比学习和梯度对齐技术来感知实体之间的跨域相似性和对齐用户的兴趣来提高双域的推荐性能。
论文：
https://arxiv.org/abs/2301.11467
代码将发布于：
https://github/anonymous/COAST
跨域推荐旨在利用多个领域的知识来缓解传统推荐系统中的数据稀疏和冷启动问题。据我们所知，跨域推荐的主流分类方法可以分为矩阵分解、基于映射的方法、基于图神经网络的方法和重叠实体的表示组合方法。其中，比较流行的范式是最后一种采用重叠的用户表征来建立多个领域间的联系，从而提高不同场景下的推荐性能。
具体的，这种方法的通用做法是分别训练每个领域的用户嵌入，然后以简单的方式进行聚合。即使这种方法取得了不错的性能，然而其往往忽略了用户和项目之间潜在的跨域相似性，并面临着三个严峻的挑战：
首先，这些研究绝大多数是在用户完全重叠的显式数据集上进行实验，这些数据集与现实场景中丰富的隐式内容和部分用户重叠有显著的区别。
其次，在每个领域中独立训练实体表示在结构上阻碍了用户与物品之间的交互，从而无法感知实体之间的高阶相似性。
第三，考虑到面向推荐任务的优化目标，这些工作不能保证跨域重叠用户兴趣的一致性。换句话说，没有任何正则化的跨域实体表示的简单聚合无法在实例级区分用户的个人偏好，也不能确保用户对项目的兴趣是一致的，甚至会导致用户视图之间的兴趣冲突。
为了解决这些挑战，本文提出了一个新的端到端跨域推荐框架COAST，通过感知实体之间的跨域相似性和对齐用户的兴趣来提高双域的推荐性能。具体来说，本文首先构建了一个统一的跨域异构图，并重新定义了图卷积网络的信息传递机制，以捕捉用户和项目的跨域高阶相似度。针对用户兴趣的一致性，本文凭借丰富的无监督和语义信号，从用户-用户和用户-物品的跨域兴趣不变性这两个更细化的角度进行了深入的研究。
与之前的研究不同，本文从丰富的内容数据（评论、标签、用户/项目简介）中提取足够的特征，形成了一个隐式数据集，以捕捉更多的反馈。同时，本文将以前单独训练表征的方法更新为一个统一的跨领域异质图，以提取用户和项目的跨域相似性。
针对多个领域的重叠用户的兴趣排列，本文从用户-用户和用户-项目两个角度获得更优良的表征。具体来说，对于用户-用户的兴趣排列，本文认为用户在不同领域的行为是由相同的兴趣分布驱动的，因此鼓励用户的所有视图在兴趣表示上拥有相似的兴趣分布，如图1（a）所示。具体的用户-用户兴趣一致性见下图。
这不仅使模型能够在实例层面上区分用户，而且也缓解了同一用户的观点中的利益冲突。对于用户-项目的兴趣排列，我们认为交互的项目是对用户兴趣的反映，所有的用户视图应该对它们表现出一致的偏好。特别的，受益于梯度的丰富语义，本文采用梯度对齐来鼓励各视图的高阶投影遵循相同的优化路径。具体的用户-项目兴趣一致性见下图。
最后，通过对多个任务进行了大量的实验，这些任务是由两个大型推荐数据集构建的。大量的结果显示，COAST显著地优于最先进的跨域推荐算法以及经典的单域推荐方法。
更多技术细节请精读原始论文。
欢迎 干货投稿 \ 论文宣传 \ 合作交流
[AAAI'23「腾讯」AdaTask：一种多任务学习的任务感知自适应学习率方法
2023-01-16
[AAAI'23「美团」推荐营销中资源分配问题的直接异质因果学习
2023-01-08
扫描二维码更精彩
喜欢的话点个在看吧 👇