发表在2020年的SIGIR上
《Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation》论文阅读笔记
已有方法(跨域共聚类):利用不同域中共享的用户和项目提高推荐的质量。
存在问题:仅依赖共享的评分数据,无法扩展到多个稀疏目标域(即一对多迁移)。
本文:在密集和稀疏域共享相同的部分,改进在稀疏域中学习到的用户和项目特征。利用跨域上下文不变性来开发这些共享模块,并验证了在用户项目交互的上下文中,即使交互数据是稀疏的,也可以学习到特征表示。
跨域迁移学习解决推荐中的稀疏性问题。然而,如何定义推荐域(重合的用户项目有限,如数据质量和数据量存在差异的地理区域(例如,城市与稀疏城镇中的餐馆推荐))是决定算法的关键。上下文感知推荐(来自在线用户的多模态反馈)已经成为有效选择。比如,给高消费的用户推荐酒吧是在周末而不是工作日。
详细:元迁移学习(组合了元学习和迁移学习)。通过上下文谓词定义可迁移神经层,即元层,与特定域的特征协同。此外,设计一种新的适应方法,通过正则化残差学习合并新的目标域(以最小开销)。在传输元层时,每个域只学习残差层和用户/项嵌入,避免稀疏域过拟合。
(1)上下文不变性 [设计了上下文谓词来学习稀疏域中的描述性特征,而不需要共享用户或项目]