Self-Supervised Interest Transfer Network via Prototypical Contrastive Learning for Recommendation

要約

クロスドメイン レコメンデーションは、最近、産業界や学界からますます注目を集めています。
ただし、ほとんどの既存の方法は、ドメイン間の関心の不変性を利用していないため、次善のソリューションが得られます。
この論文では、クロスドメインの推奨方法を提案します。これは、原型的な対照学習を介してドメイン間で不変の知識を効果的に転送できる自己教師ありインタレスト転送ネットワーク (SITN) です。
具体的には、クロスドメインの対照学習の 2 つのレベルを実行します。1) インスタンス間の対照学習、2) インスタンスとクラスターの対照学習です。
それだけでなく、ユーザーのマルチ粒度とマルチビューの関心も考慮に入れます。
このパラダイムにより、SITN はドメイン間の関心クラスターの不変の知識を明示的に学習し、ユーザーの意図と好みを正確に把握できます。
私たちは、公開データセットと、世界有数の電子商取引企業から収集された大規模な産業用データセットに対して広範な実験を行いました。
実験結果は、SITN が最先端の推奨方法よりも大幅に改善されていることを示しています。
さらに、SITN はマイクロビデオ レコメンデーション プラットフォームに展開されており、オンライン A/B テストの結果は、その実用的な価値をさらに実証しています。
補足は、https://github.com/fanqieCoffee/SITN-Supplement で入手できます。

要約(オリジナル)

Cross-domain recommendation has attracted increasing attention from industry and academia recently. However, most existing methods do not exploit the interest invariance between domains, which would yield sub-optimal solutions. In this paper, we propose a cross-domain recommendation method: Self-supervised Interest Transfer Network (SITN), which can effectively transfer invariant knowledge between domains via prototypical contrastive learning. Specifically, we perform two levels of cross-domain contrastive learning: 1) instance-to-instance contrastive learning, 2) instance-to-cluster contrastive learning. Not only that, we also take into account users’ multi-granularity and multi-view interests. With this paradigm, SITN can explicitly learn the invariant knowledge of interest clusters between domains and accurately capture users’ intents and preferences. We conducted extensive experiments on a public dataset and a large-scale industrial dataset collected from one of the world’s leading e-commerce corporations. The experimental results indicate that SITN achieves significant improvements over state-of-the-art recommendation methods. Additionally, SITN has been deployed on a micro-video recommendation platform, and the online A/B testing results further demonstrate its practical value. Supplement is available at: https://github.com/fanqieCoffee/SITN-Supplement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google