ReCDR:Expanding Relationship for Cross Domain Recommendation

ReCDR模型通过扩展局部图的关系形成增强图,利用层次化注意力机制提升跨域推荐的准确性。它解决了数据稀疏问题,尤其在小重叠域中表现优秀。模型包括图构造、关系扩展、嵌入、特征融合和排序推荐层,通过Node2Vec和注意力机制学习节点和边的嵌入,最终提高推荐系统的性能。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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?: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?: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?: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

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值