双向迁移图协同过滤GCF的跨域推荐

最新推荐文章于 2022-12-23 16:30:14 发布

Xidian小韩同学

最新推荐文章于 2022-12-23 16:30:14 发布

阅读量1.2k

点赞数

分类专栏：推荐系统文章标签：机器学习推荐系统

本文链接：https://blog.csdn.net/weixin_44760744/article/details/116106942

版权

本文提出了一种新的跨域推荐方法——双向迁移图协同过滤网络（BiTGCF），旨在解决数据稀疏性和域间差异性问题。BiTGCF结合图卷积网络和双向迁移学习，通过用户项目图的高阶连通性以及用户特征的共享与特定，实现了在书和电影等不同域之间的知识有效迁移，提高了推荐的准确性。

摘要由CSDN通过智能技术生成

2020，CIKM

《Cross Domain Recommendation via Bi-directional Transfer Graph Collaborative Filtering Networks》

背景：
个性化推荐充分利用用户的历史交互数据来预测用户可能购买的商品。协同过滤是个性化推荐的常用方法，基于相似用户或项目学习推荐模型，CF的关键是有效学习用户项目特征。GCN也是一种提取特征的有效方法。数据稀疏性是推荐系统面临的问题。
已有方法：
跨域推荐利用相关域的信息能够有效地解决数据稀疏性问题。近年来，跨域协同过滤受到了广泛关注。
存在问题：
域间的差异性使得知识迁移困难。当前的方法只考虑共享相同的特征，并没有考虑用户在特定域中的特征，当特定域的特征占比重时，这些方法会限制迁移的效果。[例如：两个域：书域和电影域。一些用户特征是域特定的，比如电影域中，用户会表现出对音乐，拍摄的喜好，这些特征在图书域中是没有的。如果使用现有方法，用户特征在两个域中是相同的，结果是基于共享的特征给用户推荐的电影可能不满意。]
本文：
基于图协同过滤网络，为跨域推荐提出了双向迁移学习方法。BiTGCF不仅利于用户项目图的高阶连通性，而且以相同用户为桥梁，实现两个域上知识的双向迁移。此外，与之前跨域推荐方法不同的地方在于，BiTGCF在迁移的过程中融合了用户相同和域特定的特征。

关注