LFCDR:Latent mutual feature extraction for cross-domain recommendation

LFCDR是一种异构的跨域推荐方法,通过潜在特征提取和迁移学习改善异构域的推荐效果。模型解决了无共享用户、项目和元数据的挑战,利用潜在特征相关性提高稀疏域的推荐性能。实验表明,LFCDR相比传统方法如LFR和FM,具有更好的性能和隐私安全性。
摘要由CSDN通过智能技术生成

Latent mutual feature extraction for cross-domain recommendation

Knowledge and Information Systems-Hoon Park , Jason J. Jung-2024

思路

大部分研究都是主要集中在同构域,所以在没有共同用户的情况下,项目和元数据的异构对推荐任务造成了限制。
于是提出一个异构的CDR,叫做潜在特征跨域推荐LFCDR。
模型利用了潜在特征LF,它基于领域类别构建用户和项目特征之间的相关性,领域类别即领域属性。通过提取每个域的LF,找到相似的域潜在特征,并通过迁移学习提高稀疏域的性能。

构建挑战

1、没有共同用户
2、没有共同项目
3、没有共同元数据(即没有内容级重叠)
4、没有类似模式

相关工作

异构CDR

研究环境中不涉及每个域中的共享用户、项目和元信息。
基于码本的知识转移模型CBT使用正交非负矩阵三因子分解ONMTF的聚类算法构建,在域不共享的环境中,通过从源域发送集群级别的类模式来重建目标域矩阵。
基于潜在因子对齐的跨域CF模型(CDCFLFA)模型提出了一种基于CBT模型考虑潜在因素对齐问题的方法。
这些模型都假设同构域,而异构CDR假设异构环境,需要改变传递和改进信息的方法。

隐私保护的CDR

传统的CDR采用因

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值