PTUPCDR

摘要

冷启动问题在推荐系统中仍然是一个非常具有挑战性的问题。幸运的是，辅助源域中的冷启动用户之间的交互可以帮助目标域中的冷启动建议。如何将用户的偏好从源域转移到目标域，是跨域推荐(CDR)中的关键问题，这是一个很有前途的解决冷启动问题的解决方案。大多数现有的方法都为所有用户传输首选项。直观地说，由于不同用户的偏好不同，所以不同用户的偏好桥应该是不同的。沿着这条线，我们提出了一个新的框架，名为跨域推荐用户偏好的个性化转移(ptupcdr)。具体来说，学习使用用户特征嵌入的元网络来生成个性化的桥接功能，以实现每个用户的个性化偏好转移。为了稳定地学习元网络，我们采用了一个面向任务的优化过程。通过元生成的个性化桥接功能，可以将用户在源域中的偏好嵌入转换为目标域，并将转换后的用户偏好嵌入作为冷启动用户在目标域中的初始嵌入。利用大型的真实数据集，我们进行了广泛的实验来评估ptupcdr在冷启动和热启动阶段的有效性。该代码可以在https://github.com/easezyc/WSDM2022-PTUPCDR上找到。

引言

跨域推荐(CDR)[25]旨在将知识从信息源域转移到目标域，是缓解冷启动问题的一种很有前途的解决方案。CDR的核心任务是连接用户在源域和目标域中的偏好，也称为偏好转移[37]。为了实现偏好转移，许多现有的CDR方法[4,9,16,39]假设所有用户在源域和目标域的用户偏好之间共享相同的关系，并学习所有用户共享的公共偏好桥，如图1(a)所示

在实践中，由于个体差异，源域和目标域的用户偏好之间的复杂关系因用户而异。因此，单个桥很难捕获如此复杂和不同的关系，这可能会降低这些CDR方法的性能。为了缓解这一缺点，有必要使用个性化的桥来建模不同领域的用户偏好之间的各种关系。换句话说，偏好转移的过程应该是个性化的。
沿着这条线，我们提出了一个新的框架，名为跨域推荐用户偏好的个性化转移(ptupcdr)。ptupcdr学习一个元网络，接收用户的源域中的特征嵌入作为输入，并为每个用户生成个性化的桥接，如图1(b).所示生成的桥函数可以看作是由学习元网络参数化的模型。需要注意的是，依赖于用户特征的个性化桥接功能因用户而异，因此偏好转移的过程是个性化的，它比现有的方法可以更好地捕获不同域之间的偏好关系。经过训练后，我们将源域中的用户嵌入输入到元生成的个性化桥接函数中，并得到转换后的用户嵌入。转换后的用户嵌入被用作目标域中的初始嵌入。通过初始嵌入，我们的方法对于在目标域中没有交互的冷启动用户是有效的。

在实践中，高级元网络很难优化[18,24]，而如何优化元网络是另一个挑战。为了学习桥的功能，现有的基于桥的方法[4,9,16,39]采用了面向映射的优化过程，直接最小化转换后的用户从信息源域的嵌入与用户在目标域的嵌入之间的距离。换句话说，通过这样的优化过程，桥接功能对用户嵌入的质量很敏感。在实际的推荐系统中，所有用户都很难学习合理的嵌入[21,42]，这限制了面向映射优化学习的桥函数的性能。此外，我们发现很难学习元网络具有面向映射的优化方法。因此，为了训练元网络，我们采用了一个面向任务的优化过程，它跳过了用户在目标域中的嵌入，并直接利用评级任务作为优化目标。文献[4,9,16,37,39]中现有的工作大多只是通过在极端冷启动阶段（用户在目标域没有交互）上应用于简单的基模型（矩阵分解）来证明其有效性。由于这些设置与现实世界的场景远远不同，我们进一步探索如何在更实际的场景中使用ptupcdr来验证ptupcdr在现实世界的推荐中的兼容性和实用性，例如，暖启动场景，更复杂的基础模型。实验结果表明，我们提出的ptupcdr在实际推荐中具有良好的兼容性和实用性。
我们的工作的主要贡献总结为三个方面：为了解决CDR中的冷启动问题，我们提出了一种名为ptupcdr的新方法，利用元网络，根据编码用户的特征，为每个用户生成个性化的桥函数。•为了稳定地学习元网络，我们采用了一个面向任务的优化程序来缓解不合理的用户嵌入的副作用。•我们使用Amazon审查数据集对三个跨域任务进行了广泛的实验，以证明ptupcdr不仅对冷启动场景和热启动场景的有效性和稳健性，而现有的方法仅证明了它们在冷启动场景中的有效性。

相关工作

跨域推荐

迁移学习的目的是利用源领域的知识来提高学习性能或最小化目标域[30,45]所需的标记示例数量，这导致了许多领域的兴趣，如计算机视觉[29,43,44]、自然语言处理[19,32]。受迁移学习的启发，CDR是一种很有前途的解决方案，可以利用辅助（源）域来缓解目标域中的数据稀疏性和冷启动问题。在一开始，CMF[25]假设所有域都有一个共享的全局用户嵌入矩阵，并同时分解来自多个域的矩阵。CST[22]利用源域中的用户嵌入来初始化目标域中的嵌入，并限制它们被关闭。
近年来，研究人员提出了许多基于深度学习的模型来增强知识转移[5,6,8,31,34,42]。CoNet[8]通过使用前馈神经网络之间的交叉连接来转移和结合知识。MINDTL[6]将目标域的CF信息与从源域中的集群级评级矩阵中提取的评级模式结合起来。DDTCDR[15]开发了一种新的潜在正交映射来提取用户在多个域上的偏好，同时保留了在不同潜在空间上的用户之间的关系。另一组CDR方法专注于在不同域[9,16,22,36,37,39,40]中连接用户偏好，这是最相关的工作。CST[22]利用在源域中学习到的用户嵌入来初始化在目标域中的用户嵌入并限制他们被关闭。一些方法[9,16,37,40]显式地对偏好桥进行建模。我们的研究属于这个基于桥梁的类别。然而，据我们所知，文献中所有基于桥的CDR作品都为所有用户学习共享桥的功能，而我们的ptupcdr是第一个为每个用户学习个性化桥的工作。

冷启动推荐

为新用户或新项目提供推荐在推荐系统中具有挑战性，也被称为冷启动问题。解决冷启动问题的方法有两种。第一种类型通过设计决策策略来积极解决冷启动问题，例如使用上下文强盗[14,20]。本文属于第二类，它利用辅助信息来帮助冷启动阶段。可以利用各种辅助信息来提高冷启动推荐性能，例如，用户属性[13,23]、项目属性[17,35,42]、知识图[28]、辅助域[16]中的样本等。通常，在辅助域的样品情况下，CDR方法可以获得比其他冷启动方法更好的结果。因此，在本文中，遵循大多数CDR工作[9,16]，我们只将我们的方法与CDR方法进行比较。

元学习

它也被称为学习-学习，旨在通过训练相似的任务来提高新任务的表现。有多种元学习方法，例如，基于度量的方法[26,27]，基于梯度的方法[3]，和基于参数生成的方法[18]。所提出的ptupcdr属于第三组，它利用一个元学习器来预测网络的参数。近年来，研究人员提出了许多基于元的方法[12,21,41,42]来提高推荐系统的性能。然而，它们大多数属于基于梯度的方法，只关注单领域的建议，而我们只关注跨领域的建议。最相关的工作是TMCDR[40]，它在CDR中利用了元学习。然而，TMCDR也像现有的基于桥梁的方法一样，训练一个共同的桥梁。

模型

问题设置

在CDR中，我们有一个源域和一个目标域。每个域都有一个用户集U={