- Einer für alle, alle für einen: Lernen und Übertragen von Benutzereinbettungen für domänenübergreifende Empfehlungen (arXiv)
Autor: Chenglin Li, Yuanzhen Xie, Chenyun Yu, Bo Hu, Zang li, Guoqiang Shu, Xiaohu Qie, Di Niu
Zusammenfassung: Die domänenübergreifende Empfehlung ist eine wichtige Methode zur Verbesserung der Leistung des Empfehlungssystems, insbesondere wenn die Beobachtungen in Zieldomänen spärlich sind. Die meisten bestehenden Techniken konzentrieren sich jedoch auf die domänenübergreifende Empfehlung (CDR) mit einem oder zwei Zielen und lassen sich nur schwer auf CDR mit mehreren Zieldomänen übertragen. Darüber hinaus ist das Drawback der negativen Übertragung bei CDR weit verbreitet, wo die Empfehlungsleistung in einer Zieldomäne möglicherweise nicht immer durch Wissen aus einer Quelldomäne verbessert wird, insbesondere wenn die Quelldomäne über spärliche Daten verfügt. In dieser Studie schlagen wir CAT-ART vor, eine Multi-Goal-CDR-Methode, die lernt, Empfehlungen in allen teilnehmenden Bereichen durch Repräsentationslernen und Einbettungstransfer zu verbessern. Unsere Methode besteht aus zwei Teilen: einem selbstüberwachten Contrastive AuToencoder (CAT)-Framework zur Generierung globaler Benutzereinbettungen basierend auf Informationen aus allen teilnehmenden Domänen und einem Consideration-based Illustration Switch (ART)-Framework, das domänenspezifische Benutzereinbettungen von anderen überträgt Domänen zur Unterstützung bei der Zieldomänenempfehlung. CAT-ART steigert die Empfehlungsleistung in jeder Zieldomäne durch die kombinierte Nutzung der erlernten globalen Benutzerdarstellung und des aus anderen Domänen übertragenen Wissens zusätzlich zur ursprünglichen Benutzereinbettung in die Zieldomäne. Wir führten umfangreiche Experimente mit einem gesammelten realen CDR-Datensatz durch, der sich über fünf Domänen erstreckte und eine Million Benutzer umfasste. Experimentelle Ergebnisse belegen die Überlegenheit der vorgeschlagenen Methode gegenüber einer Reihe von Verfahren nach dem Stand der Technik. Wir haben außerdem Ablationsstudien durchgeführt, um die Wirksamkeit der vorgeschlagenen Komponenten zu überprüfen. Unser gesammelter Datensatz wird Open Supply sein, um zukünftige Forschung im Bereich Multi-Area-Empfehlungssysteme und Benutzermodellierung zu erleichtern.
2. Debiasing Graph Switch Studying durch semantisches Clustering von Elementen für domänenübergreifende Empfehlungen (arXiv)
Autor: Zhi Li, Daichi Amagata, Yihong Zhang, Takahiro Hara, Shuichiro Haruta, Kei Yonekawa, Mori Kurokawa
Zusammenfassung: Auf Deep Studying basierende Empfehlungssysteme können zu einer Überanpassung führen, wenn Daten zur Trainingsinteraktion fehlen. Durch diese Überanpassung wird die Empfehlungsleistung erheblich beeinträchtigt. Um dieses Drawback der Datensparsität zu lösen, nutzen domänenübergreifende Empfehlungssysteme (CDRSs) die Daten aus einer Hilfsquelldomäne, um die Empfehlung für die spärliche Zieldomäne zu erleichtern. Die meisten bestehenden CDRSs basieren auf überlappenden Benutzern oder Elementen, um Domänen zu verbinden und Wissen zu übertragen. Das Zuordnen von Benutzern ist jedoch eine mühsame Aufgabe und kann Datenschutzprobleme mit sich bringen, wenn die Daten von verschiedenen Unternehmen stammen, was zu einer eingeschränkten Anwendung der oben genannten CDRSs führt. Einige Studien entwickeln CDRSs, die keine überlappenden Benutzer und Elemente erfordern, indem erlernte Benutzerinteraktionsmuster übertragen werden. Sie ignorieren jedoch die Verzerrung der Benutzerinteraktionsmuster zwischen Domänen und leiden daher unter einer schlechteren Leistung im Vergleich zu Einzeldomänen-Empfehlungssystemen. In diesem Artikel schlagen wir basierend auf den oben genannten Erkenntnissen ein neuartiges CDRS vor, nämlich das Semantic Clustering Enhanced Debiasing Graph Neural Recommender System (SCDGN), das keine überlappenden Benutzer und Elemente erfordert und mit der Domänenverzerrung umgehen kann. Genauer gesagt gruppiert SCDGN Elemente aus beiden Domänen semantisch und erstellt einen domänenübergreifenden zweiteiligen Graphen, der aus Elementclustern und Benutzern generiert wird. Anschließend wird das Wissen über diesen domänenübergreifenden Benutzercluster-Graphen von der Quelle zum Ziel übertragen. Darüber hinaus entwerfen wir eine Debiasing-Graph-Faltungsschicht für SCDGN, um unverzerrtes Strukturwissen aus dem domänenübergreifenden Benutzer-Cluster-Graphen zu extrahieren. Unsere experimentellen Ergebnisse zu drei öffentlichen Datensätzen und einem Paar proprietärer Datensätze bestätigen die Wirksamkeit von SCDGN gegenüber modernsten Modellen im Hinblick auf domänenübergreifende Empfehlungen
