LFCDR：Latent mutual feature extraction for cross-domain recommendation

最新推荐文章于 2025-12-06 17:00:00 发布
原创 最新推荐文章于 2025-12-06 17:00:00 发布 · 1.7k 阅读 · 50 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#学习 #笔记 #推荐算法

LFCDR是一种异构的跨域推荐方法，通过潜在特征提取和迁移学习改善异构域的推荐效果。模型解决了无共享用户、项目和元数据的挑战，利用潜在特征相关性提高稀疏域的推荐性能。实验表明，LFCDR相比传统方法如LFR和FM，具有更好的性能和隐私安全性。

Latent mutual feature extraction for cross-domain recommendation

Knowledge and Information Systems-Hoon Park , Jason J. Jung-2024

思路

大部分研究都是主要集中在同构域，所以在没有共同用户的情况下，项目和元数据的异构对推荐任务造成了限制。
于是提出一个异构的CDR，叫做潜在特征跨域推荐LFCDR。
模型利用了潜在特征LF，它基于领域类别构建用户和项目特征之间的相关性，领域类别即领域属性。通过提取每个域的LF，找到相似的域潜在特征，并通过迁移学习提高稀疏域的性能。

构建挑战

1、没有共同用户
2、没有共同项目
3、没有共同元数据（即没有内容级重叠）
4、没有类似模式

相关工作

异构CDR

研究环境中不涉及每个域中的共享用户、项目和元信息。
基于码本的知识转移模型CBT使用正交非负矩阵三因子分解ONMTF的聚类算法构建，在域不共享的环境中，通过从源域发送集群级别的类模式来重建目标域矩阵。
基于潜在因子对齐的跨域CF模型（CDCFLFA）模型提出了一种基于CBT模型考虑潜在因素对齐问题的方法。
这些模型都假设同构域，而异构CDR假设异构环境，需要改变传递和改进信息的方法。

隐私保护的CDR

传统的CDR采用因子分解并通过共享公共项来传输数据，这在同构域环境中很有效，但是我们的异构域环境需要一个新的保护隐私的迁移学习方法。

定义

最低0.47元/天 解锁文章
CCF A类会议或期刊----近两年聚类相关论文
Thincor的博客
03-21 6625
会议/期刊 论文 sigmod2021 Fast Density-Peaks Clustering: Multicore-based Parallelization Approach. sigmod2021 SharPer: Sharding Permissioned Blockchains Over Network Clusters. sigmod2021 Dynamic Structural Clustering on Graphs. sigmod2021 On Saving....
知识蒸馏paper分类整理(2014-2020)
KernelF
04-02 5339
Awesome Knowledge-Distillation 知识蒸馏paper分类整理 Awesome Knowledge-Distillation Different form of knowledge Knowledge from logits Knowledge from intermediate layers Mutual Information Self-KD Structur...
推荐系统2019-2021顶尖会议论文聚焦
lucas的博客
03-11 3791
推荐系统2019-2021顶尖会议论文聚焦 recommendation & deep learning – AAAI_2020_A Knowledge-Aware Attentional Reasoning Network for Recommendation.pdf – AAAI_2020_An Attentional Recurrent Neural Network for Personalized Next Location Recommendation.pdf – AAAI_2020
2024 推荐系统论文汇总
热门推荐
卢之
01-08 1万+
对2024年的 推荐系统论文进行一波收集，给各位初学者和算法大佬作为灵感来源，后续专栏会继续更新论文解读，根据评论不断补充，欢迎大家三连~
CCF A类会议或期刊----多视图，多模态近两年论文
Thincor的博客
03-15 7355
会议/期刊 论文 neurips2020 Removing Bias in Multi-modal Classifiers: Regularization by Maximizing Functional Entropies. neurips2020 Labelling unlabelled videos from scratch with multi-modal self-supervision. neurips2020 A Contour Stochastic Gradient ....
2023 推荐系统论文整理
卢之
04-14 1万+
对2023年的推荐系统论文进行一波收集，给各位做灵感。
最新推荐系统集锦
weiwei935707936的博客
05-29 5747
https://arxiv.org/abs/2302.11087User Behavior Modeling (UBM) plays a critical role in user interest learning, which has been extensively used in recommender systems. Crucial interactive patterns between users and items have been exploited, which brings com
推荐系统----2020会议文章集锦
weiwei935707936的博客
11-14 1万+
盘点 | AAAI2020中的四篇推荐系统好文 AAAI中推荐系统的文章并不多，目之所及处仅有四篇。内容上覆盖了评论推荐、多目标推荐以及图神经网络等话题。 本文基于AAAI中的这四篇推荐系统论文，展开瞅一瞅它们都讲了些什么。 第一篇文章：可解释评论的推荐中的非对称层次网络与专注的交互 Asymmetrical Hierarchical Networks with Attentive Interactions for Interpretable Review-Based Recommendation
CCF A类会议或期刊----近两年表示学习相关论文
Thincor的博客
03-20 3482
会议/期刊 论文 sigmod2021 Imminence Monitoring of Critical Events: A Representation Learning Approach. neurips2020 Ultrahyperbolic Representation Learning. neurips2020 Unsupervised Representation Learning by Invariance Propagation. neurips2020 Self....
CCF A类会议或期刊----近两年对比学习相关论文
Thincor的博客
03-20 6059
会议/期刊 论文 sigmod2021 Explaining Black-Box Algorithms Using Probabilistic Contrastive Counterfactuals. neurips2020 Adversarial Self-Supervised Contrastive Learning. neurips2020 Demystifying Contrastive Self-Supervised Learning: Invariances, Augme....
CCF A类会议或期刊----近两年自监督相关论文
Thincor的博客
03-19 5841
会议/期刊 论文 neurips2020 Self-Supervised MultiModal Versatile Networks. neurips2020 Self-Supervised Relationship Probing. neurips2020 Cross-lingual Retrieval for Iterative Self-Supervised Training. neurips2020 Adversarial Self-Supervised Contrast....
探索 10bit 100MS/s 流水线Pipelined ADC电路：0.18um工艺下的宝藏学习资源
最新发布
qq__27699885的博客
12-06 351
10bit 100MS/s 流水线Pipelined ADC电路，采用0.18um工艺，直接可以用，直接可以跑仿真，包含实际电路和各模块的测试电路，有效位9.5bit，适合学习。最近在研究ADC电路相关内容，发现了一个超赞的 10bit 100MS/s 流水线Pipelined ADC电路，基于0.18um工艺设计，简直就是学习ADC的神器，必须来和大家分享分享。
【AI学习-comfyUI学习-第十二节-FLUX局部重绘工作流-各个部分学习-第十二节】
qq_22146161的博客
12-02 868
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。加载图像这就是上传的那张桥墩照片没问题这也算各一个开始吧，我也在学习摸索中。
C++基础：Stanford CS106L学习笔记 1 类型与结构
WM2101的博客
12-02 337
本文介绍了C++的类型系统和结构体特性。在类型系统方面，C++采用静态类型，变量类型一旦确定不可更改，与Python的动态类型形成对比。静态类型能提高效率并减少运行时错误。文章还介绍了using类型别名、auto类型推断以及函数重载等现代类型特性。在结构体方面，展示了如何定义和使用结构体，以及使用std::pair模板简化多值返回的实现方式。通过对比Python和C++的代码示例，突出了C++在类型安全性和编译时检查方面的优势。
vite学习
qq_41549657的博客
12-04 613
核心优势极速开发启动：开发阶段不打包，直接让浏览器加载原生ESM,配合ebuild预购建第三方依赖，启动时间从webpack的秒级变为毫秒级热更新（HMR）快:只更新修改的模块，而非全量重建，大型项目热更新耗时<10ms按需编译：开发阶段仅编译当前请求的模块，而非全量打包内置对Typescript、JSX、CSS、静态资源的支持，无需复杂配置生产环境优化：基于Rollup打包，输出高度优化的静态资源，兼顾开发销量和生产性能<docs>Vite 处理.vue。
算法题归类学习
qq_43751506的博客
12-05 258
删除排序链表中的重复元素II（LeetCode 82） - 全删除。删除排序链表中的重复元素（LeetCode 83） - 保留一个。删除链表的倒数第N个结点（LeetCode 19） - 快慢指针。二叉树的最大深度（LeetCode 104） - DFS/BFS。二叉树的最近公共祖先（LeetCode 236） - 递归查找。二叉树的层序遍历（LeetCode 102） - BFS队列。二叉树的中序遍历（LeetCode 94） - 递归/迭代。环形链表（LeetCode 141） - 快慢指针判环。
【Prompt学习技能树地图】LangChain原理及应用操作指南
致力于成为一名data scientist 的奋斗者
12-03 682
基础层主要解决两个核心问题：模型调用的统一化和数据存储的标准化。通过抽象接口设计，为上层应用提供了稳定、可预测的编程模型。表3.2：基础层核心组件概览组件类别核心功能解决的关键问题典型实现模型抽象统一模型调用接口屏蔽不同模型API差异存储抽象统一数据访问方式标准化各类存储系统操作文档处理多格式文档加载与转换统一文档处理流程PDF、HTML、Markdown解析接口规范定义标准化调用契约确保组件间兼容性BaseLLM、VectorStore接口。
学习笔记二十三：支持向量机-间隔与支持向量
dengdaijc的专栏
12-02 706
本文介绍了支持向量机(SVM)的基本原理。SVM通过在样本空间中寻找最优划分超平面来实现分类，其核心思想是最大化分类间隔以提高泛化能力。关键概念包括：划分超平面的数学表示（由法向量和位移项定义）、支持向量（决定超平面位置的最近样本点）以及间隔（反映分类置信度）。SVM的基本型是一个凸二次规划问题，通过最小化法向量范数平方来最大化间隔，同时满足所有样本正确分类的约束条件。该方法具有理论严谨、模型稀疏、全局最优等优势，是经典的分类学习算法。
【办公软件学习】
qq_44901836的博客
12-03 581
办公软件学习技巧，解决办法
Adaptive Feature Imputation with Latent Graph for Deep Incomplete Multi-View Clustering
06-14
### 基于潜在图的自适应特征填补方法原理及实现 #### 算法原理 基于潜在图的自适应特征填补方法（Adaptive Feature Imputation with Latent Graph for Deep Incomplete Multi-View Clustering）是一种针对深度不完整多视图聚类问题提出的解决方案。该方法的核心思想是通过构建一个潜在图来捕捉不同视图之间的关系，并利用这种关系进行特征填补，从而提高聚类性能。 1. **潜在图的构建** 潜在图用于建模视图间的依赖关系和样本间的相似性。具体来说，每个节点代表一个样本，边的权重反映了样本之间的相似性或视图间的相关性[^1]。通过学习潜在图的结构，算法能够更好地理解数据中的隐含模式。 2. **自适应特征填补** 在多视图数据中，某些视图可能存在缺失值。为了解决这一问题，算法采用自适应特征填补机制，利用其他完整视图的信息对缺失部分进行估计。填补过程通常结合图卷积网络（Graph Convolutional Network, GCN）或其他图神经网络模型来完成[^2]。 3. **深度聚类框架** 该方法将特征填补与深度聚类相结合，在填补过程中逐步优化聚类结果。深度神经网络被用来提取高层次的特征表示，而潜在图则帮助在网络训练过程中传播信息，使得模型能够更准确地处理不完整的多视图数据[^1]。 4. **优化目标** 算法的目标函数通常包括以下几部分： - 特征重建损失：衡量填补后的特征与实际观察到的特征之间的差异。 - 聚类损失：确保生成的特征表示能够很好地支持最终的聚类任务。 - 图正则化项：约束潜在图的结构，使其更加稀疏且具有物理意义[^2]。 #### 实现步骤 以下是基于潜在图的自适应特征填补方法的一个可能实现： ```python import numpy as np import torch import torch.nn as nn import torch.optim as optim # 定义潜在图模块 class LatentGraphModule(nn.Module): def __init__(self, num_nodes, hidden_dim): super(LatentGraphModule, self).__init__() self.fc = nn.Linear(num_nodes, hidden_dim) self.relu = nn.ReLU() def forward(self, x): return self.relu(self.fc(x)) # 定义特征填补模块 class FeatureImputationModule(nn.Module): def __init__(self, input_dim, output_dim): super(FeatureImputationModule, self).__init__() self.fc = nn.Linear(input_dim, output_dim) def forward(self, x): return self.fc(x) # 定义深度聚类模块 class DeepClusteringModule(nn.Module): def __init__(self, input_dim, num_clusters): super(DeepClusteringModule, self).__init__() self.fc = nn.Linear(input_dim, num_clusters) self.softmax = nn.Softmax(dim=1) def forward(self, x): return self.softmax(self.fc(x)) # 数据初始化 num_samples = 100 num_views = 3 input_dim = 64 output_dim = 32 hidden_dim = 128 num_clusters = 5 # 创建模拟数据 data = [torch.randn(num_samples, input_dim) for _ in range(num_views)] missing_mask = [torch.randint(0, 2, (num_samples, input_dim)) for _ in range(num_views)] # 初始化模型 latent_graph = LatentGraphModule(num_samples, hidden_dim) feature_imputation = FeatureImputationModule(input_dim, output_dim) deep_clustering = DeepClusteringModule(output_dim, num_clusters) # 定义损失函数和优化器 reconstruction_loss_fn = nn.MSELoss() clustering_loss_fn = nn.CrossEntropyLoss() optimizer = optim.Adam(list(latent_graph.parameters()) + list(feature_imputation.parameters()) + list(deep_clustering.parameters()), lr=0.001) # 训练循环 for epoch in range(100): for view_idx in range(num_views): # 构建潜在图 latent_graph_output = latent_graph(data[view_idx]) # 特征填补 imputed_features = feature_imputation(latent_graph_output * missing_mask[view_idx]) # 深度聚类 clustering_result = deep_clustering(imputed_features) # 计算损失 reconstruction_loss = reconstruction_loss_fn(imputed_features, data[view_idx]) clustering_loss = clustering_loss_fn(clustering_result, torch.randint(0, num_clusters, (num_samples,))) total_loss = reconstruction_loss + clustering_loss # 反向传播 optimizer.zero_grad() total_loss.backward() optimizer.step() if epoch % 10 == 0: print(f"Epoch {epoch}, Loss: {total_loss.item()}") ``` #### 相关问题
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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