[论文解读] Contrastive Cross-domain Recommendation in Matching

Ruobing Xie, Qi Liu+4 more|arXiv (Cornell University)|Dec 2, 2021

Recommender Systems and Techniques被引用 4

一句话总结

本文提出对比跨域推荐（CCDR），一种新颖的框架，用于大规模推荐系统匹配阶段的跨域推荐。通过在多样化偏好网络上引入域内及三种类型的跨域对比学习，CCDR有效缓解了数据稀疏性和流行度偏差，显著提升了WeChat Top Stories的离线指标与在线参与度，冷启动领域在HIT@500上实现了14.37%的相对提升。

ABSTRACT

Cross-domain recommendation (CDR) aims to provide better recommendation results in the target domain with the help of the source domain, which is widely used and explored in real-world systems. However, CDR in the matching (i.e., candidate generation) module struggles with the data sparsity and popularity bias issues in both representation learning and knowledge transfer. In this work, we propose a novel Contrastive Cross-Domain Recommendation (CCDR) framework for CDR in matching. Specifically, we build a huge diversified preference network to capture multiple information reflecting user diverse interests, and design an intra-domain contrastive learning (intra-CL) and three inter-domain contrastive learning (inter-CL) tasks for better representation learning and knowledge transfer. The intra-CL enables more effective and balanced training inside the target domain via a graph augmentation, while the inter-CL builds different types of cross-domain interactions from user, taxonomy, and neighbor aspects. In experiments, CCDR achieves significant improvements on both offline and online evaluations in a real-world system. Currently, we have deployed our CCDR on WeChat Top Stories, affecting plenty of users. The source code is in https://github.com/lqfarmer/CCDR.

研究动机与目标

• 为解决大规模系统匹配模块中跨域推荐（CDR）的数据稀疏性和流行度偏差问题。
• 在冷启动场景下，实现从源域到目标域的有效知识迁移，且对对齐用户依赖度极低。
• 在推荐系统的候选生成阶段，平衡准确性、多样性与在线效率。
• 设计对比学习机制，增强表征学习与跨域迁移能力，同时不损害模型效率。

提出的方法

• 构建一个全局多样化偏好网络，整合六类对象（用户、物品、点击、分享、点赞和分类标签），以捕捉多样的用户兴趣。
• 在基于图神经网络的聚合器中应用基于邻居相似性的损失，以建模异构交互并提升表征学习。
• 通过基于子图的数据增强引入域内对比学习（intra-CL），以稳定并增强目标域内的训练。
• 设计三种跨域对比学习（inter-CL）任务：基于用户的、基于分类标签的和基于邻居的，以实现多路径知识迁移。
• 通过消融实验调优超参数，采用加权组合方式优化模型损失项，平衡性能表现。

实验结果

研究问题

• RQ1 域内对比学习如何有效缓解目标域匹配模块中的数据稀疏性和流行度偏差？
• RQ2 在冷启动与少样本推荐场景下，哪些类型的跨域对比学习最有利于知识迁移？
• RQ3 不同对比学习组件在离线与在线评估设置下的性能增益贡献如何？
• RQ4 所提出的框架是否能在真实部署中保持鲁棒性与可扩展性，同时满足高效率与多样性要求？

主要发现

• CCDR在严格冷启动领域实现了HIT@500 14.368%的相对提升，显著优于所有基线模型。
• 域内对比学习与跨域对比学习的组合带来了最大性能增益，其中跨域对比学习贡献最大，尤其在少样本设置下表现突出。
• 消融实验确认，域内对比学习与跨域对比学习均不可或缺；当用户行为更丰富时，域内对比学习的增益更强。
• 在少样本领域中，基于用户的跨域对比学习最为有效；而在严格冷启动设置下，基于分类标签的跨域对比学习表现更优。
• 最优损失权重为λ₃ = 1.5（域内对比学习）与λ₄ = 0.6（跨域对比学习），性能在该值附近达到峰值，超过后开始下降。
• 在WeChat Top Stories的在线A/B测试中，CCDR显著提升了全部三项关键指标（CTR、CTR与停留时长），p < 0.01，验证了其在真实场景中的有效性。