SIGIRApr, 2024

通过层次子空间解缠交叉领域推荐的联合可辨识性

PDF
TL;DR为有效实现跨领域知识传递，本研究从因果学的角度出发，提出一种分层子空间解缠方法（HJID），以探索跨领域联合分布的联合识别性，并保留特定领域行为和域共享要素。实验证明，HJID 在一系列强相关和弱相关跨领域推荐任务中优于现有方法。
发现论文，激发创造
  • 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

  • 跨领域推荐系统中的双曲知识传输

    本研究介绍了一种名为 HCTS 的新框架，用于捕捉不同领域的独特特征，实现领域间的高效知识传递，并通过将用户和物品分别嵌入不同具有可调节曲率的双曲流形来预测，从而改善目标领域用户和物品的表示。实验结果表明，双曲流形对于跨领域推荐任务是一种有潜力的替代方案。

    Jun, 2024

  • 跨域人物识别的联合去耦和适应

    本文提出了一种联合学习框架，通过提纯表征空间来改善适应性，并使用不同的空间对身份相关 / 不相关特征进行解缠，并在共享外观空间上执行对抗性对齐和自我训练进行适应。实验表明，该框架在未受监督的领域自适应方面胜过现有技术。

    Jul, 2020

  • FedHCDR：超图信号解耦的联邦跨领域推荐

    这项研究提出了一种名为 FedHCDR 的新型分布式跨领域推荐框架，通过超图信号解耦来解决不同领域数据异构性的问题，并且通过超图对于领域共享用户关系信息的学习来提升推荐性能。实验结果表明，FedHCDR 在三个真实场景中明显优于现有基准模型。

    Mar, 2024

  • 隐私保护的跨领域推荐差分隐私知识迁移

    本文提出了一种新颖的基于差分隐私的两阶段隐私保存交叉领域推荐框架（PriCDR），该框架可以使用 Johnson-Lindenstrauss 变换和深度自动编码器进行数据隐私保护和数据丰富， 通过在两个基准数据集上的实验，验证了该框架的有效性和可行性。

    Feb, 2022

  • 跨领域推荐中用户偏好的等价转换

    本文主要研究了不同领域共享相同用户但没有重叠项目的情况下的交叉领域推荐问题，并提出了一种基于等效转换学习的方法，该方法可以在不压制领域特定特征的前提下，学习用户喜好的两种特征并相互转换，相关实验表明，该方法比当前最先进的方法更加有效。

    Sep, 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

  • 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

  • 分离和适应：学习跨域解缠深度表示

    本研究提出了一种用于跨域图像特征提取和 unsupervised domain adaptation 的深度学习模型，实现了特征的 disentanglement 和适应，并在实验中证实了其有效性和优越性。

    May, 2017

  • 打破负迁移之谜：跨领域序列推荐的合作博弈论方法

    这篇论文研究了多领域顺序推荐（CDSR）的问题，提出了一种新的 CDSR 框架来解决负迁移问题，并使用合作博弈论来估计领域对模型性能的边际贡献，以及引入层次对比学习方法来缓解负迁移。通过在两个真实数据集中跨十个不同领域进行实验，证明了我们的模型在模型性能上优于之前的研究成果。

    Nov, 2023