计算机科学>信息检索
职务: 基于项目语义聚类的跨域推荐借记图转移学习
摘要: 当缺乏训练交互数据时,基于深度学习的推荐系统可能会导致过度拟合。 这种过拟合会显著降低推荐性能。 为了解决这个数据稀疏性问题,跨域推荐系统(CDRS)利用辅助源域中的数据来促进对稀疏目标域的推荐。 大多数现有的CDRS依赖重叠的用户或项目来连接域和传递知识。 然而,匹配用户是一项艰巨的任务,当数据来自不同公司时,可能会涉及隐私问题,从而导致上述CDRS的应用受到限制。 一些研究通过转移学习到的用户交互模式来开发不需要重叠用户和项目的CDR。 然而,它们忽略了域之间用户交互模式的偏差,因此与单域推荐系统相比,性能较差。 在本文中,基于上述发现,我们提出了一种新的CDRS,即语义聚类增强的debiasing graph神经推荐系统(SCDGN),该系统不需要重叠的用户和项目,并且可以处理领域偏见。 更准确地说,SCDGN对两个域中的项目进行语义聚类,并构建一个由项目聚类和用户生成的跨域二部图。 然后,通过这个跨域用户集群图将知识从源传输到目标。 此外,我们为SCDGN设计了一个去噪图卷积层,以从跨域用户聚类图中提取无偏的结构知识。 我们在三个公共数据集和一对专有数据集上的实验结果验证了SCDGN在跨域建议方面优于最新模型的有效性。