ReCDR：Expanding Relationship for Cross Domain Recommendation

Expanding Relationship for Cross Domain Recommendation

CIKM-Kun Xu, Liang Chen, Zibin Zheng-2021(CCF B)

思路

跨域推荐通过将辅助域的知识转移到目标域来缓解数据稀疏的问题。但是大多数工作都集中在利用桥接用户，忽略特定于领域的用户。于是提出ReCDR基于关系扩展的跨域推荐以提高小重叠域的推荐准确率。
ReCDR首先把每个域的交互建模成一个图，即局部图；然后通过预训练的节点相似性扩展关系来形成局部图的共享网络，即增强图；在增强图上，ReCDR采用了层次化的注意力机制；最后将输出嵌入与局部特征相结合，以平衡双目标任务的结果。

解决问题

1. 如何提高跨域推荐的准确率，减少重叠用户？答：构建局部图，计算每对节点的嵌入相似性，连接高相似度节点得到增强图，应用Node2Vec的图嵌入方法。
2. 如何为推荐任务生成更具代表性的节点嵌入？答：采用异构图嵌入方法来捕获节点特征。加入层次化注意力机制学习异构图上的信息。
3. 如何在不平衡域数据的情况下提高推荐准确率？答：联合增强图和局部图一起学习，同时训练每个域的公共注意力网络和私有注意力网络，嵌入聚合以平衡特征并提高准确率。

ReCDR模型

问题定义

1.异构网络：G=(V,E)，每个异构图还与一个节点类型映射函数μ1：V->A和边类型映射函数μ2:E->R相关，A和R是一组预定义的节点类型和边类型，具有约束条件