关键词cross-domain recommendation
搜索结果 - 30
- 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 - 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 - 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 - 多源行为预训练工业推荐器中的决策路径影响
在线服务平台通过小程序提供各种服务，本文介绍了一种用于跨领域推荐的新型 Hierarchical decIsion path Enhanced Representation 学习方法，并通过图神经网络适应性地学习决策路径。在在线和离线环境下 - SIGIR通过层次子空间解缠交叉领域推荐的联合可辨识性
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。
- 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。
- 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 - 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 - 跨领域推荐系统
通过将扩展领域的知识转移到目标领域，提出了一种名为 Diffusion Cross-domain Recommendation (DiffCDR) 的新型 CDR 模型，其利用了扩散概率模型 (DPMs) 的概念和映射模块，在冷启动和热启动 - 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 - WSDM跨领域序列推荐的混合注意力网络
我们提出了一种混合注意力网络（MAN），其中包括局部和全局注意力模块，用于提取领域特定和跨领域信息。实验结果表明，我们的模型在两个真实数据集上具有优越性，同时进一步研究也证明了我们提出的方法和组件分别是模型无关和有效的。
- MMCDR-Adapter：学习适配器以提取跨领域推荐模型更多的迁移能力
本研究提出了一种名为 CDR-Adapter 的可扩展和高效的跨领域推荐模型，通过解耦原始推荐模型和映射函数的方式，有效解决了数据稀疏性和冷启动问题，并且无需重新设计网络结构。CDR-Adapter 采用适配器模块对特征表示进行对齐，实现了 - MeKB-Rec：跨领域推荐的个人知识图谱学习
通过引入个人知识图谱（PKG）作为领域不变的兴趣表示，提出了一种名为 MeKB-Rec 的新跨领域推荐（CDR）范式，目的是解决现代推荐系统中针对新用户的冷启动问题。与大多数现有系统不同，我们的方法在领域之间构建了一个语义映射，打破了对领域 - AAAI基于原型对比学习的自监督兴趣转移网络用于推荐
本文提出了一种跨域推荐方法：自我监督的兴趣转移网络（SITN），可以通过原型对比学习有效地在域之间传输不变知识，同时考虑到用户的多粒度和多视角兴趣，明确了解用户的意图和偏好，实验证明 SITN 可以显著提高推荐方法的性能，进一步证明其实用价 - 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 - DDGHM: 双动态图与混合度量训练，用于跨域序列推荐
本文提出一种基于双重动态图建模和混合度量训练的跨域顺序推荐框架 DDGHM，以解决现有跨域推荐模型由于数据稀疏和短序列长度引起的性能瓶颈。通过实验验证，DDGHM 有利于提高顺序推荐性能。
- 供应链平台的图形跨领域推荐 (GReS)
本研究提出了一种名为 GReS 的图形跨域推荐模型，利用 Tree2vec 方法结合 GCN 和 BERT 模型来嵌入图形，以提高供应链平台中交叉领域推荐的性能。 在商业数据集上的实验结果表明，GReS 在交叉领域推荐中显著优于最先进的方法 - 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 - KDD跨领域对比推荐匹配
本文提出了一种新颖的用于匹配的对比交叉领域推荐（CCDR）框架，该框架通过构建一个巨大的多样化的偏好网络来捕捉反映用户多种兴趣的多种信息，并设计了一个内域对比学习（intra-CL）和三个交叉域对比学习（inter-CL）任务以获得更好的表 - RecGURU: 跨域推荐通用用户表示的对抗学习
本文提出了 RecGURU 算法框架，通过自注意力自编码器和领域鉴别器的结合，实现了跨领域推荐算法中用户特征的泛化表示，以及利用对抗性学习训练多个领域的用户向量，从而提高推荐质量并超越当前的一些推荐方法。