Multi-domain Recommendation with Embedding Disentangling and Domain Alignment

要約

マルチドメイン レコメンデーション (MDR) は、重複するユーザー/アイテムを持つさまざまなドメイン (製品の種類など) に対するレコメンデーションを提供することを目的としており、複数のサービスをホストする Amazon、Facebook、LinkedIn などのプラットフォームで一般的です。
既存の MDR モデルは 2 つの課題に直面しています。第 1 に、ドメイン全体で一般化される知識 (例: ユーザーは安い商品が好き) と単一ドメインに固有の知識 (例: ユーザーは青い服は好きだが青い車は好きではない) を解きほぐすことが困難です。
第二に、重複が少ないドメイン間で知識を伝達する能力が限られています。
我々は、それぞれ 2 つの課題に取り組むために、2 つの重要なコンポーネント、つまり、もつれ解除レコメンダーの埋め込みとドメイン アラインメントを備えた EDDA と呼ばれる新しい MDR 手法を提案します。
特に、埋め込み解絡レコメンダーは、ドメイン間部分とドメイン内部分のモデルと埋め込みの両方を分離しますが、既存の MDR 手法のほとんどはモデルレベルの解絡のみに焦点を当てています。
ドメイン アライメントでは、グラフ処理からのランダム ウォークを活用して、異なるドメインから類似のユーザー/アイテムのペアを特定し、類似のユーザー/アイテムのペアが同様の埋め込みを持つことを奨励し、知識の伝達を強化します。
EDDA を 3 つの実際のデータセット上の 12 の最先端のベースラインと比較します。
結果は、EDDA がすべてのデータセットとドメインでベースラインを常に上回っていることを示しています。
すべてのデータセットとコードは https://github.com/Stevenn9981/EDDA で入手できます。

要約(オリジナル)

Multi-domain recommendation (MDR) aims to provide recommendations for different domains (e.g., types of products) with overlapping users/items and is common for platforms such as Amazon, Facebook, and LinkedIn that host multiple services. Existing MDR models face two challenges: First, it is difficult to disentangle knowledge that generalizes across domains (e.g., a user likes cheap items) and knowledge specific to a single domain (e.g., a user likes blue clothing but not blue cars). Second, they have limited ability to transfer knowledge across domains with small overlaps. We propose a new MDR method named EDDA with two key components, i.e., embedding disentangling recommender and domain alignment, to tackle the two challenges respectively. In particular, the embedding disentangling recommender separates both the model and embedding for the inter-domain part and the intra-domain part, while most existing MDR methods only focus on model-level disentangling. The domain alignment leverages random walks from graph processing to identify similar user/item pairs from different domains and encourages similar user/item pairs to have similar embeddings, enhancing knowledge transfer. We compare EDDA with 12 state-of-the-art baselines on 3 real datasets. The results show that EDDA consistently outperforms the baselines on all datasets and domains. All datasets and codes are available at https://github.com/Stevenn9981/EDDA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google