[论文解读] Cross-domain Recommendation via Deep Domain Adaptation

Heishiro Kanagawa, Hayato Kobayashi+3 more|arXiv (Cornell University)|Mar 8, 2018

Recommender Systems and Techniques参考文献 32被引用 11

一句话总结

本文提出了一种用于跨域推荐的深度域自适应方法，将推荐问题视为极端多分类问题，结合域分离网络（DSN）与堆叠去噪自编码器（SDAE）学习项目表征。该方法在基线模型（包括最先进的协同过滤模型）基础上表现更优，尤其在较长推荐列表的召回率方面表现突出，且当损失函数与评估指标（nDCG）对齐时，排名性能也得到提升。

ABSTRACT

The behavior of users in certain services could be a clue that can be used to infer their preferences and may be used to make recommendations for other services they have never used. However, the cross-domain relationships between items and user consumption patterns are not simple, especially when there are few or no common users and items across domains. To address this problem, we propose a content-based cross-domain recommendation method for cold-start users that does not require user- and item- overlap. We formulate recommendation as extreme multi-class classification where labels (items) corresponding to the users are predicted. With this formulation, the problem is reduced to a domain adaptation setting, in which a classifier trained in the source domain is adapted to the target domain. For this, we construct a neural network that combines an architecture for domain adaptation, Domain Separation Network, with a denoising autoencoder for item representation. We assess the performance of our approach in experiments on a pair of data sets collected from movie and news services of Yahoo! JAPAN and show that our approach outperforms several baseline methods including a cross-domain collaborative filtering method.

研究动机与目标

• 解决在不同领域之间无共同用户或项目时，跨域推荐中的冷启动用户问题。
• 通过利用基于内容的表征，克服协同过滤与基于用户画像方法的局限性，且无需辅助数据或用户画像。
• 将跨域推荐问题形式化为极端多分类问题，以支持域自适应技术的应用。
• 通过域自适应与损失函数与评估指标（如 nDCG）对齐，提升推荐性能。
• 构建一个可扩展的深度学习框架，以实现对目标领域中稀有及新项目的一般化推荐。

提出的方法

• 将跨域推荐形式化为极端多分类问题，其中每个项目为一个类别，利用用户行为预测相关项目。
• 使用堆叠去噪自编码器（SDAE）从其内容特征（如文本、元数据）中学习鲁棒的低维项目表征。
• 将 SDAE 与域分离网络（DSN）结合，以解耦域不变特征与域特定特征，实现有效的域自适应。
• 使用 softmax 交叉熵损失进行分类训练，并通过 DSN 框架中的对抗性训练实现域对齐。
• 采用基于 nDCG 的验证策略优化模型，使训练目标与评估指标对齐，从而提升排序质量。
• 通过在验证集上对超参数（权重衰减与训练迭代次数）进行调优，选择 nDCG@100 最高的模型。

实验结果

研究问题

• RQ1 当不同领域之间无用户或项目重叠时，深度域自适应能否有效应用于跨域推荐？
• RQ2 在召回率与排序质量方面，所提出方法与协同过滤及基于流行度的基线模型相比表现如何？
• RQ3 将训练损失与评估指标（nDCG）对齐在多大程度上能提升推荐性能？
• RQ4 去噪自编码器是否能改善项目表征与泛化能力，特别是在稀有或未见项目上？
• RQ5 在推荐短列表时，该方法存在哪些局限性？如何缓解？

主要发现

• 所提出的 I-DSN 方法在 K=50 和 K=100 时的召回率高于流行度基线（POP），表明其对相关项目的覆盖能力更强。
• 当损失函数与评估指标对齐时，DSN 在 nDCG@100 上优于 POP，显示出更高的排序质量。
• 模型性能对损失函数的选择较为敏感：标准交叉熵损失可获得更高召回率但 nDCG 较低，而基于 nDCG 的优化则提升了排序性能。
• 尽管结果表现强劲，该方法在短推荐列表（如 K=5）上仍逊于流行度基线，表明在早期排序质量方面仍存在挑战。
• SDAE 与 DSN 的结合提升了泛化能力，但使用 SDAE 特征初始化 softmax 权重并未带来进一步增益，表明特征表达能力存在局限。
• 基于 nDCG@100 选择的超参数调优可获得最佳模型性能，证实了训练目标与评估指标对齐的重要性。