Review-Based Domain Disentanglement without Duplicate Users or Contexts for Cross-Domain Recommendation

要約

タイトル：重複したユーザーやコンテキストなしでドメインの特定と交差ドメインの推薦を行うためのレビューに基づくドメイン特定

要約：

– ドメインを越えた推薦は、データスパース性やコールドスタート問題を解決するために有望な結果を示している。
– しかし、既存の手法では、ドメイン共有可能な情報（重複したユーザーや同じコンテキスト）に焦点を当てており、この要件がない場合には一般化がうまくできない。
– これらの問題に対処するために、大多数の電子商取引システムに一般的なレビューのテキストを利用することを提案する。
– SERという名前のモデルを使用して、単一ドメインディスクリミネータによる分離表現学習が行われる3つのテキスト解析モジュールを使用する。
– ドメインの特定の品質を向上させることができる新しい最適化戦略を提案し、ソースドメインの有害情報を弱体化することもできる。
– また、エンコードネットワークを単一から複数のドメインに拡張し、レビューベースの推薦システムに有力なものにした。
– 広範な実験と脱落研究により、当社の方法が最先端の単一およびクロスドメイン推薦手法と比較して効率的で、堅牢で、スケーラブルであることが示されている。

要約(オリジナル)

A cross-domain recommendation has shown promising results in solving data-sparsity and cold-start problems. Despite such progress, existing methods focus on domain-shareable information (overlapped users or same contexts) for a knowledge transfer, and they fail to generalize well without such requirements. To deal with these problems, we suggest utilizing review texts that are general to most e-commerce systems. Our model (named SER) uses three text analysis modules, guided by a single domain discriminator for disentangled representation learning. Here, we suggest a novel optimization strategy that can enhance the quality of domain disentanglement, and also debilitates detrimental information of a source domain. Also, we extend the encoding network from a single to multiple domains, which has proven to be powerful for review-based recommender systems. Extensive experiments and ablation studies demonstrate that our method is efficient, robust, and scalable compared to the state-of-the-art single and cross-domain recommendation methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI