【论文笔记】跨域推荐（CDR）

DTCDR（2019）

论文解读系列第一篇：CIKM-19 论文 DTCDR - 知乎 (zhihu.com)

1 核心思想

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-a3F3e4r1-1626967003304)(C:\Users\86525\AppData\Roaming\Typora\typora-user-images\image-20210720160702083.png)]

• 传统的跨域推荐都是利用源领域（Source domain）的丰富数据来提升单个目标领域（Target domain）的推荐准确度，即Source→Target。而源领域的推荐准确度没法直接通过现有的CDR方法来提升，因为没法直接改变现有的知识迁移方向，即没法从Source→Target变成Target→Source，否则会产生**“消极迁移”(Negative Transfer)的问题**。本论文中以两个域的共同用户或者共同商品作为桥梁，来实现双向的知识迁移，从而同时改善两个领域的推荐准确度。

• 嵌入层中，本论文除了常用的评分信息以外，还利用了其它多源的文本信息，如评论文本，标签，用户简介，商品详情。该论文使用Doc2Vec模型来处理这些文本信息，获取用户和物品的文本表示（document embedding）。此外，该论文改进了NeuMF和DMF两个模型，并分别获取用户和物品的评分表示（rating embedding）。

• 合并层中，使用max-pooling策略分别合成共同用户分别来至领域A和B的文本以及评分信息。接着使用三种不同的合并策略（Combination operators，具体的是指average-pooling，max-pooling，以及Concatenation）来合成文本以及评分信息。==通过嵌入层和合并层，优化了领域A和B中共同用户的特征表示，并同两个领域分别的物品特征表示一起作为模型层的输入。==在模型层，使用了全连接的多层感知器（MLP）来学习用户和物品之间的非线性关系，并最终得到喜好预测（Score）给输出层。

DDTCDR（WSDM-2020）

DDTCDR: Deep Dual Transfer Cross Domain Recommendation (aisoutu.com)

1 核心思想

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zui1PAVG-1626967003307)(C:\Users\86525\AppData\Roaming\Typora\typora-user-images\image-20210720152547405.png)]

• 以前提出的跨领域模型没有考虑到用户和项目之间的双向潜在关系。此外，它们不明确地建模用户和商品特征的信息，而仅利用用户评级信息进行推荐。本论文采用隐性嵌入方法，可以从数据记录中提取潜在的用户偏好，并有效地建模用户和项目特征。

• 作者建议使用两个组件来建模用户偏好：捕获用户交互并预测用户在目标域中的行为的域内偏好和利用源域用户动作的跨域偏好。引入了传递率α作为超参数，它代表了在预测用户偏好时两种成分的相对重要性。在域对(A, B)中估计用户评分如下：

  [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Fb8nxneE-1626967003308)(C