Review-Based Cross-Domain Recommendation via Hyperbolic Embedding and Hierarchy-Aware Domain Disentanglement

要約

データの希薄性の問題は、レコメンダー システムにとって重大な課題となっています。
これに対し、レビューテキストなどのサイド情報を活用したアルゴリズムが提案されている。
さらに、ドメイン共有可能な知識を取得し、それをより豊富なドメイン (ソース) からより疎なドメイン (ターゲット) に転送するクロスドメイン レコメンデーション (CDR) が注目を集めています。
それにもかかわらず、既存の方法論の大部分はユークリッド埋め込み空間を前提としており、よりリッチなテキスト情報を正確に表現したり、ユーザーとアイテム間の複雑な対話を管理したりする際に困難に直面しています。
この論文では、ユーザーとアイテムの関係をモデル化するためのレビュー テキストに基づく双曲線 CDR アプローチを提唱しています。
まず、従来の距離ベースのドメイン位置合わせ技術では、双曲幾何学における小さな変更が摂動を拡大し、最終的には階層構造の崩壊につながるため、問題が発生する可能性があることを強調します。
この課題に対処するために、構造形式を破壊することなくドメイン共有可能な情報を抽出するためにスケールを調整する、階層を意識した埋め込みおよびドメイン アライメント スキームを提案します。
このプロセスには、双曲空間へのレビュー テキストの最初の埋め込みが含まれ、その後、次数ベースの正規化と構造の調整を組み込んだ特徴抽出が行われます。
私たちは、最先端のベースラインと比較して、提案したモデルの効率、堅牢性、およびスケーラビリティを実証するために広範な実験を実施しました。

要約(オリジナル)

The issue of data sparsity poses a significant challenge to recommender systems. In response to this, algorithms that leverage side information such as review texts have been proposed. Furthermore, Cross-Domain Recommendation (CDR), which captures domain-shareable knowledge and transfers it from a richer domain (source) to a sparser one (target), has received notable attention. Nevertheless, the majority of existing methodologies assume a Euclidean embedding space, encountering difficulties in accurately representing richer text information and managing complex interactions between users and items. This paper advocates a hyperbolic CDR approach based on review texts for modeling user-item relationships. We first emphasize that conventional distance-based domain alignment techniques may cause problems because small modifications in hyperbolic geometry result in magnified perturbations, ultimately leading to the collapse of hierarchical structures. To address this challenge, we propose hierarchy-aware embedding and domain alignment schemes that adjust the scale to extract domain-shareable information without disrupting structural forms. The process involves the initial embedding of review texts in hyperbolic space, followed by feature extraction incorporating degree-based normalization and structure alignment. We conducted extensive experiments to substantiate the efficiency, robustness, and scalability of our proposed model in comparison to state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google