- Обучение тройной последовательности для междоменных рекомендаций (arXiv)
Автор: Хаокай Ма, Руобин Се, Лэй Мэн, Синь Чен, Сюй Чжан, Лейу Линь, Цзе Чжоу.
Аннотация: междоменная рекомендация (CDR) направлена на использование корреляции поведения пользователей как в исходном, так и в целевом доменах для улучшения моделирования предпочтений пользователей в целевом домене. Обычные методы CDR обычно исследуют двойственные отношения между поведением исходного и целевого доменов. Однако это может игнорировать информативное смешанное поведение, которое естественным образом отражает глобальные предпочтения пользователя. Чтобы решить эту проблему, мы представляем новую структуру, называемую тройным обучением для междоменных рекомендаций (Tri-CDR), которая совместно моделирует исходную, целевую и смешанную поведенческие последовательности, чтобы выделить глобальные и целевые предпочтения и точно смоделировать тройную. корреляция в CDR. В частности, Tri-CDR независимо моделирует скрытые представления для последовательностей тройного поведения и предлагает метод тройного междоменного внимания (TCA), чтобы подчеркнуть информативные знания, связанные как с глобальными предпочтениями пользователя, так и с предпочтениями целевого домена. Чтобы всесторонне изучить междоменные корреляции, мы разрабатываем стратегию тройного контрастивного обучения (TCL), которая одновременно учитывает общие сходства и мелкие различия между тройными последовательностями, обеспечивая выравнивание при сохранении информационного разнообразия в многодоменном. Мы проводим обширные эксперименты и анализы шести междоменных настроек. Значительные улучшения Tri-CDR с различными последовательными кодировщиками подтверждают его эффективность и универсальность. Код будет выпущен после принятия.
2. Контрастная междоменная последовательная рекомендация (arXiv)
Автор: Цзянся Цао, Синь Цун, Цзявэй Шэн, Тингвэнь Лю, Бин Ван.
Аннотация: Рекомендация по междоменной последовательности (CDSR) направлена на прогнозирование будущих взаимодействий на основе исторических последовательных взаимодействий пользователя из нескольких доменов. Как правило, основная проблема CDSR заключается в том, как определить точные междоменные пользовательские предпочтения на основе взаимодействий внутри последовательности и между элементами последовательности. Существующие работы сначала изучают пользовательские предпочтения в одном домене только с помощью взаимодействий элементов внутри последовательности, а затем создают модуль передачи для получения междоменных пользовательских предпочтений. Однако такое конвейерное и неявное решение может быть серьезно ограничено узким местом спроектированного модуля передачи и игнорирует рассмотрение взаимосвязей между элементами последовательности. В этой статье мы предлагаем C²DSR решить вышеуказанные проблемы, чтобы получить точные пользовательские предпочтения. Основная идея заключается в одновременном использовании взаимосвязей внутри и между элементами последовательности и совместном изучении пользовательских предпочтений одного и нескольких доменов. В частности, мы сначала используем графовую нейронную сеть для анализа взаимосвязи между элементами последовательности, а затем используем последовательный внимательный кодировщик для захвата последовательной взаимосвязи элементов внутри последовательности. Основываясь на них, мы разрабатываем две различные последовательные цели обучения для получения пользовательских однодоменных и междоменных представлений. Кроме того, мы представляем новую контрастную междоменную информационную цель для улучшения корреляции между представлениями однодоменных и междоменных пользователей за счет максимизации их взаимной информации. Чтобы проверить эффективность C²DSR, мы сначала повторно разделили четыре набора данных электронной коммерции, а затем провели обширные эксперименты, чтобы продемонстрировать эффективность нашего подхода C²DSR.
