Diffusion Cross-domain Recommendation
解决的问题
如何为冷启动用户提供高质量的推荐结果一直是推荐系统面临的一个挑战。减轻目标域中冷启动用户的数据稀疏性问题的一个潜在解决方案是从辅助域添加数据。如何从辅助领域中提取知识并将其传递到目标领域是跨领域推荐研究的主要目标之一。
跨域推荐的最重要目的就是解决冷启动问题。
CDR再优化任务标签时容易过拟合,并在在本文的消融实验中,也确实验证了不能保证任务导向的学习策略能获取好的效果;现有的面向映射的工作中使用的映射函数可能会限制它们对未知样本的泛化能力。所以,如果一个CDR模型不仅能够估计目标嵌入空间的分布,还能考虑进特定的推荐任务,那它就有希望获得更好的推荐性能。
通常,**扩散概率模型DPM包括前向和后向处理。**在前向处理中,少量噪声逐渐添加到原始数据,对于足够数量的步骤,原始数据可以被噪声淹没。相反,在反向过程中,噪声将被去除。只不过推理速度慢,但现在已经成功地将采样过程加速了几十倍。DPM将噪声数据作为输入并生成去噪结果,这可以被视为将数据从一个分布传输到另一个分布的过程。
Diff CDR模型
在DiffCDR中,我们学习了一个扩散模块(Diffusion Module,DIM)来跨领域传递知识。DIM通过反转扩散过程在目标域中生成用户特征,该扩散过程以相应用户在源域中的嵌入为条件。为了提高推荐结果的稳定性,我们还设计了一个对齐模块(Alignment Module,ALM)。我们还采用了目标标签数据学习策略以考虑最终推荐的质量。
这是模型的相关概念图:
对于跨