26、跨领域推荐与会话推荐的创新方法

跨领域推荐与会话推荐的创新方法

1. 跨领域推荐的挑战与解决方案

在推荐系统中，数据稀疏性是一个常见的问题，而跨领域推荐（CDR）是解决这一问题的有效方法。然而，现有的CDR方法存在一些局限性。大多数现有方法属于单目标CDR，只关注提升目标领域的推荐效果，而忽略了源领域的效果。同时，现有的双目标或多目标CDR方法在特征转移过程中没有考虑领域之间的差异。

为了解决这些问题，提出了一种基于转移和领域间对比学习的跨领域推荐图神经网络（TCLCDR）。其主要贡献如下：
- 利用两个领域的信息来缓解数据稀疏性问题。
- 设计了图卷积转移层（GCTL），充分利用自身领域和其他领域的信息，提高模型提取表示向量的能力，缓解负转移问题。
- 考虑到两个领域中重叠用户或物品的相似性大于非重叠用户或物品，提出了对比学习损失函数（CLLF），以缓解信息转移过程中两个领域之间的差异。

2. 相关工作

推荐算法通常分为三类：基于内容的、基于协同过滤的和混合的。CDR算法是一种基于模型的协同过滤推荐算法，在推荐系统中是一个挑战。

单领域推荐方面，不同年份有不同的模型提出：
- 2018年，Berg等人提出了用于二分边预测的图卷积矩阵完成（GCMC），有效结合用户交互数据和辅助信息来预测分数。
- 2019年，Wang等人提出了神经图协同过滤（NGCF）。
- 2020年，He等人提出了用于推荐的简化和增强图卷积网络（LightGCN），与NGCF相比，简化了特征变换和非线性激活，在减少模型训练时间的同时提高了推荐效果。

CDR方面又可分为单目标、双目标和多目标：
- 单目标CD