WSDM 2022 | 中科院、騰訊、北航提出：跨領域推薦中的個性化遷移用戶興趣偏好

冷啟動推薦一直是推薦系統中一個極具挑戰的問題?？珙I域推薦系統使用源領域中的交互數據來幫助目標領域的冷啟動推薦。這篇文章提出了一種個性化遷移用戶興趣偏好的跨領域推薦的方法，給目標領域冷啟動用戶進行更精準的推薦。

作者 | 朱勇椿

本文基于WSDM 2022論文《Personalized Transfer of User Preferences for Cross-domain Recommendation》，論文作者來自中科院計算所、騰訊微信、北航。

論文鏈接：https://arxiv.org/pdf/2110.11154.pdf

代碼鏈接：https://github.com/easezyc/WSDM2022-PTUPCDR

1

背景介紹

隨著個性化線上app的增長，推薦系統被線上服務廣泛采用，比如電商、線上新聞等等。但是推薦系統無法給新（冷啟動）用戶提供精準的推薦服務。

跨領域推薦系統旨在從一個信息豐富的源領域向目標領域遷移知識來緩解冷啟動問題[1,2,3]。這類方法的核心是如何連接用戶在源領域的興趣偏好和在目標領域的興趣偏好。為了達到偏好遷移的效果，很多已有的跨領域推薦方法假設用戶在源領域和目標領域的興趣偏好存在一種聯系，并且所有的用戶共享這種聯系。因此，這些方法學習一個所有用戶共享的偏好橋，如圖1(a)所示。

事實上，由于個體的差異，不同領域的偏好間的復雜關系是因人而異的。因此，很難用一個公共的偏好橋來抓獲這樣復雜多樣的關系。為了解決現有方法的不足，有必要使用個性化的橋來建模不同用戶的偏好關系。

因此，這篇文章提出了一種新的框架，個性化遷移用戶偏好的方法用于跨領域推薦系統(PTUPCDR)。如圖1(b)所示。使用一個元學習器，以從用戶在源領域的交互歷史中提取到的用戶特質為輸入，建模個性化的偏好橋。再將用戶在源領域的偏好表示，輸入這個預測得到的偏好橋，得到用戶在目標領域的冷啟動表示。通常來講，元學習器是難以優化的[4,5]，因此我們提出了一種目標導向的訓練方法，直接以最終的rating作為優化目標。

2

方法

整體框架如上所示，主要包含兩個部分，特質編碼器，元網絡。具體來講，特征編碼器使用一種注意力機制，將用戶在源領域交互過的所有item聚合起來，表示用戶在源領域的特質：

將得到的用戶特質輸入到元網絡（meta network），輸出個性化的偏好橋：

注意，元網絡輸出的是偏好橋的參數。再將用戶在源領域的偏好表示送入預測得到的偏好橋，得到用戶在目標領域的偏好表示：

用得到的用戶在目標領域的表示作為目標領域中該用戶的初始化向量，即可進行冷啟動推薦。為了學習這個網絡，以前的方法采用映射導向的損失函數：

在兩個領域重疊的用戶上學習，使得映射后的用戶表示盡量靠近目標領域中該用戶的表示。但是目標領域中該用戶的表示是通過交互數據學習得到，這個過程存在信息損失，因此我們希望跳過這個中間表示，直接以交互數據作為優化目標：

整個訓練流程如下所示，先預訓練得到源領域和目標領域的模型，再訓練元網絡，再映射用戶興趣偏好去初始化目標領域上的用戶表示：

3

實驗

我們在亞馬遜的公開數據集上構造了三個跨領域推薦任務，具體任務如下表所示：

我們使用不同比例的數據量作為訓練集，得到以下實驗結果，可以看到我們的方法遠遠超過baselines。

此外我們還做了warm start實驗，也就是基于這個映射得到向量表示作為初始化，使用后續交互數據微調，得到以下結果，可以看到，針對warm start場景，我們的方法也是很有效的，這也是第一篇同時驗證跨領域推薦方法在cold-start和warm-start場景的文章。

4

總結

這篇文章我們研究了跨領域推薦中的冷啟動問題，我們發現公共的用戶偏好橋無法很好的建模不同用戶在不同領域的偏好間的關系，因此我們提出了一種個性化遷移用戶興趣偏好的方法。實驗證明我們的方法是一種高效且實用的方法。

參考文獻：

[1] Man T, Shen H, Jin X, et al. Cross-Domain Recommendation: An Embedding and Mapping Approach[C]//IJCAI. 2017, 17: 2464-2470.

[2] Kang S K, Hwang J, Lee D, et al. Semi-supervised learning for cross-domain recommendation to cold-start users[C]// CIKM: 1563-1572.

[3] Zhu Y, Ge K, Zhuang F, et al. Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users[C]. SIGIR, 2021.

[4] Zhu Y, Xie R, Zhuang F, et al. Learning to Warm Up Cold Item Embeddings for Cold-start Recommendation with Meta Scaling and Shifting Networks[C].SIGIR, 2021.

[5] Zhu Y, Liu Y, Xie R, et al. Learning to Expand Audience via Meta Hybrid Experts and Critics for Recommendation and Advertising[C]. KDD, 2021.

雷鋒網