基于上下文不变量的迁移学习用于一对多跨领域推荐

SIGIRMay, 2020

基于上下文不变量的迁移学习用于一对多跨领域推荐

Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation

Adit Krishnan, Mahashweta Das, Mangesh Bendre, Hao Yang, Hari Sundaram

TL;DR文中介绍了一种基于神经层的跨领域推荐系统学习方法，使用共享组件来指导神经协同过滤器，通过学习稀疏交互数据中的用户和项目表示来实现推荐功能。

Abstract

The rapid proliferation of new users and items on the social web has aggravated the gray-sheep user/long-tail item challenge in recommender systems. Historically, cross-domain co-clustering methods have successfully leveraged shared users and items across dense and sparse domains to im

recommender systems cross-domain learning neural collaborative filtering user-item interaction sparse data

发现论文，激发创造

CoNet: 协作交叉网络用于跨领域推荐

本研究提出一个基于神经网络的转移学习方法，通过引入 CoNet（协作交叉网络）来实现跨领域推荐，其中隐藏层连接的交叉映射使增加了双向知识转移能力，模型在两个大型真实世界数据集上进行了广泛评估，并相对于基准模型提高了 7.84％的精度，同时证明了选择适当的特征表示对性能至关重要。

Apr, 2018

跨领域推荐的选择性迁移学习

该研究论文提出一种基于经验预测误差和方差的新标准，用于更好地捕捉协同过滤设置中跨领域的一致性，从而在提高评分预测精度方面显著改进了几项最先进的方法。

Oct, 2012

基于深度领域适应的跨域推荐

提出一种面向冷启动用户的内容为基础的跨领域推荐方法，利用极端多类分类的形式来预测用户对物品的评分标签，构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络，实现了不依赖用户和物品重叠特征，不同领域之间的推荐，在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。

Mar, 2018

通过用户兴趣对齐实现跨域推荐

该研究提出了一种名为 COAST 的新型跨领域推荐框架，通过感知实体之间的跨领域相似性和用户兴趣的对齐来提高双重领域的推荐性能，并使用用户表示和图卷积网络的消息传递机制来捕获用户和项目的高阶相似性，对跨领域推荐算法进行了广泛的实验，并证明 COAST 在多项任务中一致且显著优于同类算法。

Jan, 2023

推荐系统的领域间翻译模型

提出了一种基于生成对抗网络（GANs）、变分自动编码器（VAEs）和 Cycle-Consistency（CC）相结合的 D2D-TM 模型，用于解决多领域推荐系统在提取同构和散发特征方面遇到的问题，并证明其在性能优化方面超过了现有技术。

Dec, 2018

通过元优化方法进行价值偏好的跨域转移

通过深入研究用户偏好和情感偏好理论，我们提出了一种新的跨域方法，称为 CVPM，它将跨域兴趣转移形式化为参数化元学习和自监督学习的混合架构，不仅可以在更细的层面上转移用户偏好，还可以通过非重叠用户的知识进行信号增强，我们通过深度学习编码器来学习这些分布的差异，并利用预训练模型和物品流行度来采样伪交互物品以确保两个分布的完整性，最终通过多种任务和广泛的实验结果证明了我们提出的框架的有效性和先进性。

Jun, 2024

文本增强领域自适应半监督协同过滤

利用领域自适应方法，将标注充足数据领域的知识迁移到充足数据缺失的领域，并通过对齐潜在向量空间和提取用户和物品的领域不变文本特征解决隐式反馈推荐系统中数据稀疏性的问题。三个真实数据集的结果表明，该方法优于现有算法。

Jun, 2020

DDTCDR：深度双重转移跨领域推荐

本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型，该模型在电影、图书和音乐三个领域的数据集上经过充分测试，表现优于其他传统模型。

Oct, 2019

Transfer Meets Hybrid: 跨领域文本协同过滤的合成方法

该论文介绍了一种使用神经模型实现跨领域推荐的方法，该方法结合协同过滤、混合过滤和迁移学习等技术。该方法使用记忆模块和转移网络从非结构化文本中提取有用内容并选择性地转移知识，实现了端到端的处理，并在实际数据集上取得了更好的推荐效果。

Jan, 2019

预训练神经推荐系统：一个可迁移的零样本框架

通过利用用户 - 物品交互矩阵的统计特性，我们学习了用于支持无需用户或物品辅助信息的零 - shot 自适应（zero-shot recommendation）的通用表示，从而探索了预训练推荐模型在新领域构建推荐系统的可能性。

Sep, 2023