Guozyan的博客

基于意图分解和对比学习的CDR。

CDR一般流程是：域间链接、跨域交互和推荐。域间连接：通过共享元素来实现，比如通过重叠的用户和项目、通过产品文本描述和图像内容来建立连接模型。使用VIT2020或Bert2019跨域交互：建立连接之后，CDR需要融合来自多个域的知识，以更准确的对用户和项目践行建模。推荐：完成上述两步后，模型可以使用来自多个领域的知识做出推荐。但仍存在问题：数据稀疏、域不平衡、负迁移等。（许多研究提出通过合并跨域信息来增强用户和项目表示）

1 偏好异质性（preference heterogeneity）：主要挑战。不同领域中的用户行为可能由不同的潜在偏好驱动。例如，用户可能在阅读小说时优先考虑类型，但在选择电影时首先考虑导演。这些偏好特征通常纠缠在一个域中，使得很难将行为从一个域推广到另一个域。在CDR中，解决这种偏好异质性对于更准确地捕获不同领域的用户偏好至关重要。【这是CDR专有的挑战】2 特征空间差异：不同的领域可能具有显著不同的特征空间，使得直接迁移学习不太有效，并可能导致负迁移。

是推荐系统面临的最具挑战性的前沿问题之一.对于该问题的一个有希望的解决方案是跨域推荐，即，利用来自多个域的反馈或评级来以集体的方式提高推荐性能。评级矩阵的不平衡分布，即大多数不活跃的用户表示对少量项目的偏好，而大多数不受欢迎的项目得到很少的反馈。所以也非常严重。首先，使用来捕获跨域的非线性映射函数，为学习每个域中实体的特定域特征提供了高度的灵活性。其次，仅使用来学习映射函数，从而保证了映射函数对单域数据稀疏性引起的噪声的鲁棒性。一种类型以。

跨域推荐（CDR）技术是的有力措施。然而，已有的研究在学习映射函数时，而映射函数用于获取目标域中新用户的表示。针对这一问题，提出了一种基于公平性的跨域推荐模型FairCDR。该方法通过，实现了面向用户的组公平性。由于重叠数据非常有限且分布有偏差，因此FairCDR利用大量非重叠用户和交互来帮助缓解这些问题。考虑到每个个体对模型公平性的影响不同，提出了一种新的**基于影响函数（IF）**的权重重加权方法，在保持推荐精度的同时降低了模型的不公平性。

目前的CDR方法需要跨域共享用户数据，因此违反了《通用数据保护条例》（GDPR），即用户-项目评级无法在不同领域访问。因此，已经提出了许多方法用于联邦跨域推荐（FedCDR）。然而，不同领域的数据异构性不可避免地影响了联邦学习的整体性能，跨域数据异构的问题，即不同域中的用户-项目交互数据包含域专有信息。

如何为提供高质量的推荐结果一直是推荐系统面临的一个挑战。减轻的一个潜在解决方案是从添加数据。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。

推荐场景通常涉及异构关系（例如，社交感知的用户影响、知识感知的项目依赖性），其包含用于增强用户偏好学习的富有成效的信息。本文研究了异构图增强的关系学习推荐问题。异构辅助信息对交互的影响可能因用户和项目而异，为了推进这一思想，我们用Meta网络增强了我们的异构图对比学习，以允许具有自适应对比增强的个性化知识Transformer。

近年来，GNN因为具有较强的高阶结构信息捕获能力而被广泛应用于基于知识图的推荐。但是我们认为有以下两个局限性：1.：用户-项目交互的监督信号将主导模型训练，因此KG信息几乎没有被编码到学习项目表示钟；2.：KG包含大量与推荐无关的信息，并且在GNN的聚合过程中，噪声会被放大。于是提出了一种新的知识自适应对比学习算法KACL。

现有的推荐对比学习方法主要通过对用户-项目二分图进行增广来实现，但是这样的对比学习过程容易偏向于流行项目和用户，因为较高度的用户、项目受到更多的扩充并且它们的相关性也更多地被捕捉。所以本文提出了一个基于对比一致学习的个性化推荐方法，以挖掘个性化推荐的内在关联性，缓解个性化推荐中的偏差效应为目的。SGCCL在整体推荐和去偏推荐方面都有较好的表现，从而得到了一个均衡的推荐结果。

基于评论的推荐可以自然地形成为具有来自相应用户项目评论的边特征的用户项目二分图。那么就可以利用评论感知图中独特的自监督信号来指导推荐的两个组件：用户-项目嵌入学习，用户-项目交互建模。

首先，通过实验揭示了基于CL的推荐中，（减轻了项目的长尾状况）。增强图有必要，但是发挥了比较小的作用。所以放弃了图增强，而是添加均匀的噪声来构造嵌入空间成为对比视图。

1.；（因为在交互图中，对于一个项目，与之交互的用户越多，那么这个项目的度就越大，那么高度节点对表示的影响与低度节点相比，显然是更大的，在实际中，往往有一小部分项目，与之交互的用户数量比较多，另外很大一部分的项目，与之交互的用户数量较少，我们称为项目的长尾分布）2.。（因为邻域聚合方案进一步扩大了观察到的边的影响）；（相互作用呈幂律分布。其中长尾由缺乏监督信号的低度项目组成，GCN很容易偏向于高度项目）；