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