多领域推荐的层次超图网络中的相关偏好转移
摘要：多域推荐系统通常涉及多个领域（如场景或类别），用于各种营销策略，并与用户进行交互，以满足不同的需求。多域推荐（MDR）的目标是同时提高所有领域的推荐性能。传统的基于图神经网络的方法通常单独处理每个领域，或者训练一个共享模型来服务所有领域。前者无法利用用户的跨域行为，使得行为稀疏性成为一个重大障碍。后者学习与所有领域相关的共享用户表示，忽视了用户的领域特定偏好。在本文中，我们提出了一种基于分层超图网络的MDR相关偏好转移框架$mathsf{H^3Trans}$，它将多领域用户-项目交互表示为一个统一的图，以帮助偏好转移。$mathsf{H^3Trans}$结合了两个基于超边的模块，即动态项目转移（Hyper-I）和自适应用户聚合（Hyper-U）。Hyper-I从多领域的用户-项目反馈中提取相关信息，消除项目表示的领域差异。Hyper-U聚合用户在多个领域的离散偏好，并进一步利用高阶（不仅仅是成对）连接来改进用户表示。在公共和生产数据集上的实验证实了$mathsf{H^3Trans}$在MDR方面的优越性。
作者：Zixuan Xu, Penghui Wei, Shaoguo Liu, Weimin Zhang, Liang Wang, Bo Zheng
论文ID：2211.11191
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-04-20