《Cross-Domain Recommendation via Preference Propagation GraphNet》论文阅读笔记
发表在2019年CIKM
- 背景:
用户和项目的交互可以被视为图中连接预测问题。单个域中生成的图可能会面临冷启动和数据稀疏性问题,用多个域扩充,即叠加跨域用户项目交互图,引起了广泛的研究。 - 已有方法:
已有的跨域推荐方法主要通过隐空间知识迁移建模域内交互。NeuMF+简单的共享用户的嵌入向量。NATR也利用了潜在的知识迁移,通过不共享用户的信息保护隐私。 - 存在问题:
(1)知识迁移不知道跨域图结构;
每个域单独处理,知识迁移建模不同域间的交互,并不知道两个域的结构信息。
(2)不能获得图中的高阶关系;
不同域的项目可能有相似的属性,通过传播的不同跳数,我们可以连接这些属性,进而在高阶图中传播用户喜好。
(3)跨域迁移学习相对较复杂。 - 本文:
提出喜好传播图神经网络PPGN获得高阶用户喜好传播,显示建模跨域交互,并保护结构信息。构造跨域喜好矩阵CDPM建模不同域的交互。
- 具体:
PPGN:
(1)图卷积和传播模块