要約
レコメンダー システムは、現実世界のさまざまなアプリケーションで広く使用されていますが、ユーザーのコールド スタート問題という永続的な課題に直面することがよくあります。
あるドメインからのユーザー インタラクションを活用して別のドメインでの予測パフォーマンスを向上させるクロスドメイン レコメンデーション (CDR) が、有望なソリューションとして浮上しています。
ただし、ソース ドメインで同様の好みを持つユーザーが、ターゲット ドメインでは異なる関心を示す可能性があります。
したがって、エンベディングを直接転送すると、無関係なソース ドメインの協調情報が導入される可能性があります。
この論文では、ユーザーの意図をきめ細かく捉え、無関係な共同作業情報をフィルタリングして除外し、それによってネガティブな伝達を回避するための、新しいグラフベースのもつれの解けた対比学習フレームワークを提案します。
具体的には、ドメインごとにマルチチャネル グラフ エンコーダーを使用して、多様なユーザーの意図をキャプチャします。
次に、埋め込み空間でアフィニティ グラフを構築し、複数ステップのランダム ウォークを実行して高次のユーザー類似関係を取得します。
1 つのドメインをターゲットとして扱い、ユーザーの類似性に基づいて、ドメイン間のユーザーの意図の橋渡しを洗練するための、もつれを解いた意図ごとの対比学習アプローチを提案します。
4 つのベンチマーク CDR データセットに対する広範な実験により、DisCo が既存の最先端のベースラインを常に上回っていることが実証され、それによって DisCo とそのコンポーネントの両方の有効性が検証されました。
要約(オリジナル)
Recommender systems are widely used in various real-world applications, but they often encounter the persistent challenge of the user cold-start problem. Cross-domain recommendation (CDR), which leverages user interactions from one domain to improve prediction performance in another, has emerged as a promising solution. However, users with similar preferences in the source domain may exhibit different interests in the target domain. Therefore, directly transferring embeddings may introduce irrelevant source-domain collaborative information. In this paper, we propose a novel graph-based disentangled contrastive learning framework to capture fine-grained user intent and filter out irrelevant collaborative information, thereby avoiding negative transfer. Specifically, for each domain, we use a multi-channel graph encoder to capture diverse user intents. We then construct the affinity graph in the embedding space and perform multi-step random walks to capture high-order user similarity relationships. Treating one domain as the target, we propose a disentangled intent-wise contrastive learning approach, guided by user similarity, to refine the bridging of user intents across domains. Extensive experiments on four benchmark CDR datasets demonstrate that DisCo consistently outperforms existing state-of-the-art baselines, thereby validating the effectiveness of both DisCo and its components.
arxiv情報
著者 | Hourun Li,Yifan Wang,Zhiping Xiao,Jia Yang,Changling Zhou,Ming Zhang,Wei Ju |
発行日 | 2024-12-19 16:20:42+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google