跨领域推荐常用于解决推荐系统中的冷启动与数据稀疏问题,然而现有的方法往往假设用户在不同领域中的喜好是相似的,基于这一假设进行推荐忽略了用户偏好的异质性,无法达到最优推荐性能。此外,现有的方法主要关注领域对之间的推荐任务,...跨领域推荐常用于解决推荐系统中的冷启动与数据稀疏问题,然而现有的方法往往假设用户在不同领域中的喜好是相似的,基于这一假设进行推荐忽略了用户偏好的异质性,无法达到最优推荐性能。此外,现有的方法主要关注领域对之间的推荐任务,无法自然地扩展为多领域的推荐。本文提出一种基于属性异质图的多目标对抗跨领域推荐(Multitarget Adversarial Cross-domain Recommendation based on Attributed Heterogeneous Graph,MAAH)方法,利用属性异质图结构表征用户与项目,捕获领域间用户行为的同质性与异质性;结合对抗学习进一步融合与区分用户偏好,使每个领域的推荐效果同时提升,实现多目标的跨领域推荐。在公开的数据集上进行实验,结果表明该方法缓解了数据稀疏,可以进一步解决冷启动问题。展开更多
文摘跨领域推荐常用于解决推荐系统中的冷启动与数据稀疏问题,然而现有的方法往往假设用户在不同领域中的喜好是相似的,基于这一假设进行推荐忽略了用户偏好的异质性,无法达到最优推荐性能。此外,现有的方法主要关注领域对之间的推荐任务,无法自然地扩展为多领域的推荐。本文提出一种基于属性异质图的多目标对抗跨领域推荐(Multitarget Adversarial Cross-domain Recommendation based on Attributed Heterogeneous Graph,MAAH)方法,利用属性异质图结构表征用户与项目,捕获领域间用户行为的同质性与异质性;结合对抗学习进一步融合与区分用户偏好,使每个领域的推荐效果同时提升,实现多目标的跨领域推荐。在公开的数据集上进行实验,结果表明该方法缓解了数据稀疏,可以进一步解决冷启动问题。