近日,实验室2020级硕士研究生左子杰的一篇论文 “RPITN: REVIEW BASED PREFERENCE INVARIANCE TRANSFER NETWORK FOR CROSS-DOMAIN RECOMMENDATION”被ICME2022会议录用。ICME是多媒体研究领域旗舰类国际学术会议之一,属于CCF B类会议。
在基于协同过滤的推荐系统中,跨域推荐是解决冷启动问题的一种非常有效的方法。其中,评论信息经常被作为辅助信息来提高学习到的用户/物品表征质量,从而减少源域和目标域之间存在的负面传递问题。另一方面,传统方法在利用评论信息时通常仅单独在源域或者目标域上使用评论信息,从而进一步导致用户偏好的差异被忽略掉。在本文中,作者提出了一种基于评论信息偏好不变量的迁移网络(RPITN),通过学习源域和目标域的评论信息来最小化负面传递。作者首先通过文中提出的融合策略得到源域和目标域之间的评论不变量表示,然后,为了提高用户/物品表征的泛化能力,同时防止两个域之间的负迁移,作者分别在用户/物品表征的学习过程中和用户表征的跨域迁移过程中嵌入了评论不变量信息。
作者提出的网络结构(如图1)主要由三部分组成,第一部分是评论不变量的学习模块,该模块基于用户/物品的评论来提取偏好的不变量信息。第二部分是用户/物品的表征模块,通过在源域和目标域上分别使用堆叠变分自编码器来学习用户/物品的表征。第三部分是用户表征的迁移模块,通过多层感知器实现用户的表征从源域到目标域的迁移。
图1
本文利用亚马逊数据评估模型的有效性,实验证明本文提出的模型显著优于现有的传统方法(如图二)。
图2
注:多模态大数据智能计算实验室2020级硕士研究生左子杰同学作为第一作者完成的论文RPITN: REVIEW BASED PREFERENCE INV ARIANCE TRANSFER NETWORK FOR CROSS-DOMAIN RECOMMENDATION被ICME2022会议录用。
RPITN_Review_BASED_PREFERENCE_INVARIANCE_TRANSFER_NETWORK_for_CROSS_DOMAIN_RECOMMENDATION.pdf