多域推荐中的嵌入解缠和域对齐

Aug, 2023

Multi-domain Recommendation with Embedding Disentangling and Domain Alignment

Wentao Ning, Xiao Yan, Weiwen Liu, Reynold Cheng, Rui Zhang...

TL;DR多领域推荐（MDR）旨在为具有重叠用户 / 项目的不同领域（例如产品类型）提供建议，并且在托管多个服务的平台（例如 Amazon，Facebook 和 LinkedIn）上很常见。我们提出了一种名为 EDDA 的新 MDR 方法，具有嵌入解缠推荐器和领域对齐的两个关键组成部分，分别解决了两个挑战。具体而言，嵌入解缠推荐器将模型和嵌入分为领域间部分和领域内部分，而大多数现有的 MDR 方法只关注模型级的解缠。领域对齐利用图处理中的随机游走来识别不同领域中的相似用户 / 项目对，并鼓励具有相似嵌入的相似用户 / 项目对，增强了知识传输。我们在 3 个真实数据集上将 EDDA 与 12 个最先进的基线进行了比较，结果表明，EDDA 在所有数据集和领域上始终优于基线。

Abstract

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,

multi-domain recommendation knowledge transfer embedding disentangling recommender domain alignment state-of-the-art baselines

发现论文，激发创造

域和相关性分离建模用于可适应的密集检索

提出一种名为 Disentangled Dense Retrieval（DDR）的新型 Dense Retrieval 框架来支持 DR 模型的有效和灵活的领域自适应，该框架包括一个 Relevance Estimation Module（REM）和几个 Domain Adaption Modules（DAMs），通过使 REM 和 DAMs 分离，DDR 实现了一种灵活的训练范式，在不同的领域和语言中都表现出比强大的 DR 基线更好的排名性能。

Aug, 2022

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

异质图结构学习的多目标跨领域推荐算法

利用多个领域的信息来解决推荐系统中的数据稀疏问题是 CDR（跨领域推荐）的关键解决方案。本文提出了 HGDR（基于异构图的框架和解缠表示学习），这是一个端到端的异构网络架构，应用图卷积层来建模不同领域之间的关系，并利用解缠表示的思想来处理领域共享和领域特定的信息。实验结果表明，我们的模型能有效地在领域之间传递信息并达到领先水平。

Jul, 2024

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

基于评论的跨领域推荐：超几何嵌入与层次感知领域解耦

基于评论文本的超几何 CDR 方法用于建模用户 - 商品关系，此方法通过层次感知的嵌入和领域对齐方案解决了欧几里得嵌入空间的局限性，并通过实验证实了其在效率、鲁棒性和可扩展性方面与现有方法的比较优势。

Mar, 2024

基于评论的非重叠跨域推荐中带有归因对齐的协同过滤

本研究提出了 Collaborative Filtering with Attribution Alignment model (CFAA) 作为一种跨领域推荐解决方案，该方法通过联合挖掘用户评论、one-hot ID 和多次历史评分来生成具有表现力的用户和物品嵌入，从而显著提高了在 RNCDR 设置下的推荐性能。

Feb, 2022

跨域推荐的多模态数据隐私保护框架

跨域推荐的隐私保护框架 (P2M2-CDR) 利用多模态数据来解决数据稀疏问题，通过多模态解耦编码器对域公共和域特定嵌入进行分离，并引入隐私保护解码器进行用户隐私保护，以对抗学习为基础的域间和域内损失函数确保解耦嵌入的一致性和区分度，实验证明 P2M2-CDR 在四个真实数据集上优于其他领先的单域和跨域基准模型。

Mar, 2024

发现领域解耦来进行广义多源域自适应

本研究提出了一种多源领域适应方法 (GM-DA)，试图解决传统方法中源域与目标域之间类别不完全重叠的问题，该方法基于变分域解缠绕 (VDD) 框架，借助在线伪标签来识别未知类别的目标样本，并且在两个基准数据集上展现了该框架的有效性。

Jul, 2022

跨领域推荐的领域感知交叉注意力

我们的研究提出了一种两步领域感知的交叉关注方法，能够从源领域的不同粒度中提取可迁移的特征，有效表达领域和用户兴趣，简化了训练流程，适合于新领域的快速部署，并通过实验证明了方法的有效性，还在在线广告系统中部署了模型，观察到了单击率和有效千次展示费用的显著改善。

Jan, 2024

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