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