[논문 리뷰] DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation

Hourun Li, Yifan Wang외 5명|arXiv (Cornell University)|2024. 12. 19.

Recommender Systems and Techniques인용 수 5

한 줄 요약

DisCo는 미세한 사용자 의도를 포착하고 콜드 스타트 크로스 도메인 추천에서 불필요한 소스 도메인 정보를 필터링하기 위해 그래프 기반의 분리된 대비 학습 프레임워크를 도입하여 부정적 전이(negative transfer)를 줄인다.

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.

연구 동기 및 목표

• 크로스 도메인 추천(CDR)에서 사용자의 콜드 스타트 문제를 해결한다.
• 다중 채널 그래프 인코더를 사용하여 각 도메인에서 미세한 사용자 의도를 포착한다.
• 도메인 간 의도별 분리된 대비 학습으로 부정적 전이를 완화한다.

제안 방법

• 소스 도메인과 타깃 도메인 모두에서 다양한 사용자 의도를 추출하기 위해 다중 채널 그래프 인코더를 사용한다.
• 임베딩 공간에서 친화도 그래프를 구성하고 다단 계단식 무작위 보행을 적용하여 의도별 고차원 사용자 유사성을 얻는다.
• 사용자 유사성에 guided된 도메인 내/도메인 간 의도별 대비 학습을 수행하여 크로스 도메인 연결을 정교화한다.
• 타깃 도메인 특성을 보존하면서 관련 정보를 전이하기 위한 도메인 간 디코더와 EM 스타일 최적화를 도입한다.

실험 결과

연구 질문

• RQ1 분리된 의도별 표현이 콜드 스타트 CDR에서 부정적 전이를 줄일 수 있는가?
• RQ2 고차원(다단계) 사용자 유사성은 콜드 스타트 사용자의 도메인 간 연결을 개선하는가?
• RQ3 도메인 내/도메인 간 대비 손실이 전체 추천 성능에 어떻게 기여하는가?
• RQ4 의도 수와 보행 매개변수의 변화가 성능에 어떤 영향을 미치는가?

주요 결과

• DisCo는 네 가지 벤치마크 CDR 데이터셋에서 일관되게 최첨단 베이스라인보다 더 우수한 성능을 보인다.
• 연구 제거(ablations) 연구는 도메인 간 디코딩의 중요성, 의도 직교성, 친화도 그래프 기반의 고차 유사성의 성능 증가에 중요함을 보여준다.
• 고차원 사용자 유사성(다단계 보행을 통한)은 도메인 내/도메인 간 대비 학습 결과를 향상시킨다.
• 케이스 스터디는 DisCo가 소스 도메인 유사성이 타깃 도메인 선호도에 오해를 불러일으킬 때 부정적 전이를 완화한다는 것을 시사한다.