多目标跨域推荐相关 | 您所在的位置:网站首页 › 跨域推荐是什么 › 多目标跨域推荐相关 |
背景:协同过滤是推荐系统中的有效技术,但是会面临数据稀疏性问题。跨域推荐能够解决,将一个域的信息迁移到另外一个域中,提高推荐性能。 已有研究:CDR主要分为两类:单目标CDR和双目标CDR。大部分CDR都属于STCDR,DTCDR近几年才开始研究(通常有两种方法建模双目标:基于共同用户;利用映射函数) 存在问题:很少研究多目标跨域推荐MTCDR,是真实系统中的普遍任务。如果把之前的DTCDR方法扩展到MTCDR,可能存在问题: (1)DTCDR通常建模域之前的成对关系,n个域就会有C_n^2种关系; (2)通过用户迁移信息,是组合跨域信息的一种间接方式,因为用户的行为仍然在每个域中处理。 本文:为MTCDR提出异构图框架HeroGRAPH。通过收集多个域中用户项目的信息,构造共享图;在每个域中建模,使用共享图处理跨域信息,最后组合域内和域间特征,训练模型。 从多个域中聚合用户项目的邻居,减轻数据稀疏性问题;然后为每个节点建模异构邻居,使用循环注意结构选择重要邻居。 异构图: 具体: (1)域内建模: 在每个域中得到用户项目特征 (2)共享图和域间建模: 所有域共享一个异构图。聚合不同域的数据能够更好的表示用户项目。 邻居的特征表示: 最终的图嵌入特征: 循环注意机制聚合邻居信息: 自动检测重要邻居 |
CopyRight 2018-2019 实验室设备网 版权所有 |