跨领域推荐的三元序列学习
摘要：跨领域推荐（CDR）旨在利用源域和目标域中用户行为的相关性，改进目标域中用户偏好建模。传统的CDR方法通常探索源域和目标域行为之间的双重关系。然而，这可能忽视了自然反映用户全局偏好的信息混合行为。为了解决这个问题，我们提出了一种新的框架，称为跨领域推荐的三元序列学习（Tri-CDR），它共同模拟源域、目标域和混合行为序列，突出全局和目标偏好，并精确地建模CDR中的三重关联。具体而言，Tri-CDR独立地对三元行为序列建模，并提出了一种名为三元跨领域注意（TCA）的方法，以强调与用户的全局偏好和目标域偏好相关的有信息量的知识。为了全面探索跨领域关联，我们设计了一种三元对比学习（TCL）策略，同时考虑了三元序列之间的粗粒度相似性和细粒度区别，确保在多领域中保持对齐同时保留信息多样性。我们在六个跨领域设置上进行了广泛的实验证明和分析。不同的序列编码器与Tri-CDR相结合的显着改进证实了其有效性和通用性。代码将在接受后发布。
作者：Haokai Ma, Ruobing Xie, Lei Meng, Xin Chen, Xu Zhang, Leyu Lin and Jie Zhou
论文ID：2304.05027
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-06-09