[论文解读] A Deep Framework for Cross-Domain and Cross-System Recommendations

Feng Zhu, Yan Wang+4 more|arXiv (Cornell University)|Sep 14, 2020

Recommender Systems and Techniques被引用 11

一句话总结

该论文提出DCDCSR，一种结合矩阵分解与全连接深度神经网络（DNN）的深度学习框架，通过学习跨领域或跨系统用户与项目潜在因子之间的有效映射，提升跨领域和跨系统推荐的准确性。通过在DNN训练中引入用户和项目特定的评分稀疏度，DCDCSR在三个真实世界数据集上优于最先进方法。

ABSTRACT

Cross-Domain Recommendation (CDR) and Cross-System Recommendations (CSR) are two of the promising solutions to address the long-standing data sparsity problem in recommender systems. They leverage the relatively richer information, e.g., ratings, from the source domain or system to improve the recommendation accuracy in the target domain or system. Therefore, finding an accurate mapping of the latent factors across domains or systems is crucial to enhancing recommendation accuracy. However, this is a very challenging task because of the complex relationships between the latent factors of the source and target domains or systems. To this end, in this paper, we propose a Deep framework for both Cross-Domain and Cross-System Recommendations, called DCDCSR, based on Matrix Factorization (MF) models and a fully connected Deep Neural Network (DNN). Specifically, DCDCSR first employs the MF models to generate user and item latent factors and then employs the DNN to map the latent factors across domains or systems. More importantly, we take into account the rating sparsity degrees of individual users and items in different domains or systems and use them to guide the DNN training process for utilizing the rating data more effectively. Extensive experiments conducted on three real-world datasets demonstrate that DCDCSR framework outperforms the state-of-the-art CDR and CSR approaches in terms of recommendation accuracy.

研究动机与目标

• 通过利用源领域或系统中的丰富信息，解决推荐系统中持续存在的数据稀疏性问题。
• 通过有效的跨领域和跨系统知识迁移，提升低数据目标领域或系统中的推荐准确性。
• 开发一种统一的深度学习框架，以建模跨领域或系统之间潜在因子的复杂关系。
• 通过引入个体用户和项目评分稀疏度，增强DNN训练，更有效地利用稀疏评分数据。

提出的方法

• 该框架首先对源领域和目标领域或系统中的用户和项目潜在因子应用矩阵分解（MF）进行学习。
• 随后使用全连接深度神经网络（DNN）学习源领域和目标领域或系统之间潜在因子的非线性映射。
• DNN训练过程受到个体用户和项目评分稀疏度的引导，这些稀疏度被用作辅助信号，以提升泛化能力和数据效率。
• 通过联合优化MF和DNN组件，确保跨领域或系统中潜在因子表示的一致性和准确性。
• 在DNN训练期间应用稀疏感知损失加权，以优先学习数据可用性更高的用户和项目。
• 使用随机梯度下降端到端训练该框架，以最小化观测评分的预测误差。

实验结果

研究问题

• RQ1 如何有效学习领域或系统之间的潜在因子映射，以提升低数据场景下的推荐准确性？
• RQ2 在跨领域和跨系统推荐模型中，引入用户级和项目级评分稀疏度在多大程度上能提升性能？
• RQ3 统一的深度学习框架是否能在跨领域和跨系统推荐任务中超越现有最先进方法？
• RQ4 所提出的框架在不同领域或系统中存在不同数据稀疏水平时，其鲁棒性如何？

主要发现

• 在三个真实世界数据集上，DCDCSR相较于最先进CDSR和CSR方法实现了更优的推荐准确性。
• 在DNN训练中集成稀疏感知引导显著提升了模型性能，尤其在低数据环境下。
• 该模型在多样化领域和系统间表现出强大的泛化能力，即使源数据和目标数据分布存在差异。
• 消融研究证实，基于DNN的映射和稀疏感知训练策略均对性能提升有显著贡献。
• 该框架在所有测试数据集上，于RMSE和MAE等多种评估指标上均保持高性能。
• 结果表明，建模用户和项目特定的稀疏性可增强模型从丰富领域向稀疏领域有效迁移知识的能力。