IDC-CDR: Cross-domain Recommendation based on Intent Disentanglement and Contrast Learning✩

IDC-CDR: Cross-domain Recommendation based on Intent Disentanglement and Contrast Learning✩

基于意图分解和对比学习的CDR

问题

由于其他领域中的项目本质上是异构的，直接建模来意其他领域的过去的交互来增强目标域中的用户表示可能会限制推荐的有效性。

相关

在协同过滤算法中，有两种方式来表达用户的偏好。一是以评级形式的显性表达。另一种是隐式表达，以浏览、点击、购买等形式呈现，应该是只有交互信息的意思。
然而，目前的跨域推荐基本上是挖掘用户兴趣，在项目粒度上进行域间对齐，忽略了不同域间项目的异构性问题。
解纠缠表征学习可以有效地理解多个领域的特征，而对比学习则可以强调不同视图的相同特征，并在实例级进行区分。
通过建立源域用户-源域用户意图-目标域用户意图-目标域用户的知识传递路径，得到了更细粒度的跨域知识迁移。
不同领域的用户交互意图存在相似性，而不同领域的交互项即使是相关的，也有本质的不同，即异质性。因此，在细粒度的用户意图上建模可以更好地捕捉不同领域之间用户交互的相似性，学习更多相关的传递知识。

Hightlights

1、在单域和跨域图上构建意图解纠缠模块，学习用户在不同域和域间的意图分布，获取用户的局部意图和全局意图，更全面的辩证用户与