中科院、腾讯、北航提出：跨领域推荐中的个性化迁移用户兴趣偏好|WSDM 2022

文章插图

冷启动推荐一直是推荐系统中一个极具挑战的问题。跨领域推荐系统使用源领域中的交互数据来帮助目标领域的冷启动推荐。这篇文章提出了一种个性化迁移用户兴趣偏好的跨领域推荐的方法，给目标领域冷启动用户进行更精准的推荐。

作者 | 朱勇椿

本文基于WSDM 2022论文《Personalized Transfer of User Preferences for Cross-domain Recommendation》，论文作者来自中科院计算所、腾讯微信、北航。

论文链接：https://arxiv.org/pdf/2110.11154.pdf

代码链接：https://github.com/easezyc/WSDM2022-PTUPCDR

文章插图

背景介绍

随着个性化线上app的增长，推荐系统被线上服务广泛采用，比如电商、线上新闻等等。但是推荐系统无法给新（冷启动）用户提供精准的推荐服务。
跨领域推荐系统旨在从一个信息丰富的源领域向目标领域迁移知识来缓解冷启动问题[1,2,3]。这类方法的核心是如何连接用户在源领域的兴趣偏好和在目标领域的兴趣偏好。为了达到偏好迁移的效果，很多已有的跨领域推荐方法假设用户在源领域和目标领域的兴趣偏好存在一种联系，并且所有的用户共享这种联系。因此，这些方法学习一个所有用户共享的偏好桥，如图1(a)所示。

文章插图
事实上，由于个体的差异，不同领域的偏好间的复杂关系是因人而异的。因此，很难用一个公共的偏好桥来抓获这样复杂多样的关系。为了解决现有方法的不足，有必要使用个性化的桥来建模不同用户的偏好关系。
因此，这篇文章提出了一种新的框架，个性化迁移用户偏好的方法用于跨领域推荐系统(PTUPCDR)。如图1(b)所示。使用一个元学习器，以从用户在源领域的交互历史中提取到的用户特质为输入，建模个性化的偏好桥。再将用户在源领域的偏好表示，输入这个预测得到的偏好桥，得到用户在目标领域的冷启动表示。通常来讲，元学习器是难以优化的[4,5]，因此我们提出了一种目标导向的训练方法，直接以最终的rating作为优化目标。

方法

文章插图
整体框架如上所示，主要包含两个部分，特质编码器，元网络。具体来讲，特征编码器使用一种注意力机制，将用户在源领域交互过的所有item聚合起来，表示用户在源领域的特质：

文章插图
将得到的用户特质输入到元网络（meta network），输出个性化的偏好桥：
注意，元网络输出的是偏好桥的参数。再将用户在源领域的偏好表示送入预测得到的偏好桥，得到用户在目标领域的偏好表示：
用得到的用户在目标领域的表示作为目标领域中该用户的初始化向量，即可进行冷启动推荐。为了学习这个网络，以前的方法采用映射导向的损失函数：
在两个领域重叠的用户上学习，使得映射后的用户表示尽量靠近目标领域中该用户的表示。但是目标领域中该用户的表示是通过交互数据学习得到，这个过程存在信息损失，因此我们希望跳过这个中间表示，直接以交互数据作为优化目标：