借助喜好传播GraphNet的跨域推荐

《Cross-Domain Recommendation via Preference Propagation GraphNet》论文阅读笔记

发表在2019年CIKM

1. 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。
2. 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。
3. 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。
4. 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。
   
5. 具体：
   PPGN：
   （1）图卷积和传播模块