[論文レビュー] DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation

Hourun Li, Yifan Wang+5 more|arXiv (Cornell University)|Dec 19, 2024

Recommender Systems and Techniques被引用数 5

ひとこと要約

DisCo は、コールドスタートのクロスドメイン推奨を対象とした、細粒度のユーザー意図を捉え、関連性の低いソースドメイン情報をフィルタリングするグラフベースの分離型対照学習フレームワークを導入し、ネガティブ転移を低減します。

ABSTRACT

Recommender systems are widely used in various real-world applications, but they often encounter the persistent challenge of the user cold-start problem. Cross-domain recommendation (CDR), which leverages user interactions from one domain to improve prediction performance in another, has emerged as a promising solution. However, users with similar preferences in the source domain may exhibit different interests in the target domain. Therefore, directly transferring embeddings may introduce irrelevant source-domain collaborative information. In this paper, we propose a novel graph-based disentangled contrastive learning framework to capture fine-grained user intent and filter out irrelevant collaborative information, thereby avoiding negative transfer. Specifically, for each domain, we use a multi-channel graph encoder to capture diverse user intents. We then construct the affinity graph in the embedding space and perform multi-step random walks to capture high-order user similarity relationships. Treating one domain as the target, we propose a disentangled intent-wise contrastive learning approach, guided by user similarity, to refine the bridging of user intents across domains. Extensive experiments on four benchmark CDR datasets demonstrate that DisCo consistently outperforms existing state-of-the-art baselines, thereby validating the effectiveness of both DisCo and its components.

研究の動機と目的

• クロスドメイン推奨（CDR）におけるユーザのコールドスタート問題に対処する。
• マルチチャネルグラフエンコーダを用いて各ドメインで細粒度のユーザー意図を捉える。
• 意図ごとに分離した対照学習を用いてドメイン間のネガティブ転移を軽減する。

提案手法

• ソースドメインとターゲットドメインの両方で多様なユーザー意図を抽出するために、マルチチャネルグラフエンコーダを用いる。
• 埋め込み空間でアフィニティグラフを構築し、複数ステップのランダムウォークを適用して意図ごとの高次のユーザー類似度を取得する。
• ユーザー類似度に guided されたドメイン内・ドメイン間の意図ごとの対照学習を行い、クロスドメインのブリッジングを洗練させる。
• ターゲットドメインの特徴を保持しつつ関連情報を転移するために、ドメイン間デコーダと EM 風の最適化を組み込む。

実験結果

リサーチクエスチョン

• RQ1 コマンドは？（注：原文のリストを日本語へ直訳）分離された意図指向の表現はコールドスタート時の CDR におけるネガティブ転移を減らすのか？
• RQ2 高次元（多ステップ）のユーザー類似度はコールドスタートユーザーのドメイン間ブリッジングを改善するのか？
• RQ3 ドメイン内およびドメイン間の対照損失は全体的な推奨性能にどう寄与するのか？
• RQ4 意図の数とウォークのパラメータ数は性能へどのような影響を与えるのか？

主な発見

• DisCo は4つのベンチマークCDRデータセットで最先端のベースラインより一貫して優れている。
• アブレーション研究は、クロスドメインデコーディング、意図直交性、およびアフィニティグラフに基づく高次の類似性が性能向上に重要であることを示している。
• 高次のユーザー類似度（多ステップウォークを介して）は、ドメイン内およびドメイン間の対照学習の成果を改善する。
• ケーススタディは、ターゲットドメインの嗜好に対してソースドメインの類似性が誤っている場合に DisCo がネガティブ転移を抑制することを示している。