[论文解读] DARec: Deep Domain Adaptation for Cross-Domain Recommendation via Transferring Rating Patterns

Yuan Feng, Lina Yao+1 more|arXiv (Cornell University)|May 26, 2019

Recommender Systems and Techniques参考文献 21被引用 16

一句话总结

DARec 提出了一种用于跨域推荐的深度域适应模型，该模型直接从稀疏评分矩阵中迁移评分模式，而无需依赖辅助内容。通过对抗性训练提取共享用户偏好和独特的物品模式，DARec 在多个公开数据集上的评分预测任务中实现了最先进（SOTA）的性能，优于基于矩阵分解（MF）和深度学习的基线模型。

ABSTRACT

Cross-domain recommendation has long been one of the major topics in recommender systems. Recently, various deep models have been proposed to transfer the learned knowledge across domains, but most of them focus on extracting abstract transferable features from auxilliary contents, e.g., images and review texts, and the patterns in the rating matrix itself is rarely touched. In this work, inspired by the concept of domain adaptation, we proposed a deep domain adaptation model (DARec) that is capable of extracting and transferring patterns from rating matrices {\em only} without relying on any auxillary information. We empirically demonstrate on public datasets that our method achieves the best performance among several state-of-the-art alternative cross-domain recommendation models.

研究动机与目标

• 通过利用跨域知识迁移来解决推荐系统中的冷启动和稀疏性问题。
• 开发一种方法，仅使用评分矩阵从源域到目标域提取并迁移抽象的评分模式，而无需依赖文本或图像等辅助数据。
• 通过建模跨域间的共享用户偏好和独特的物品行为，提升目标域的推荐准确性。
• 通过仅关注评分矩阵结构，克服现有深度学习模型依赖内容特征的局限性。
• 通过在公开数据集上的实证评估，证明域适应技术在跨域推荐中的有效性。

提出的方法

• 采用双分支深度神经网络架构，处理来自源域和目标域的用户嵌入，以实现共享特征和特定域特征的联合学习。
• 首先应用 AutoRec 从稀疏评分矩阵中学习密集用户嵌入，将其转换为适合深度学习的连续表示。
• 引入域分类器以强制实现域不变性，通过对抗性训练使模型能够提取跨域的共享评分模式。
• 模型采用加权损失函数，以平衡源域和目标域的重要性，控制知识迁移的方向和强度。
• 提出两种变体：U-DARec 用于学习共享用户模式，I-DARec 用于分离不同域中的独特物品模式。
• 最终的评分预测器利用从深度神经网络中提取的共享和特定域特征，预测目标域中的用户-物品评分。

实验结果

研究问题

• RQ1 是否可以仅使用评分矩阵、无需辅助内容，有效应用深度域适应于跨域推荐？
• RQ2 对域分类器进行对抗性训练在多大程度上提升了跨域共享用户评分模式的迁移效果？
• RQ3 仅从稀疏评分矩阵中学习的模型，在多大程度上能超越依赖内容特征的最先进方法？
• RQ4 在不同域中分离独特物品模式对推荐性能的影响如何？
• RQ5 所提出的方法在用户-物品重叠较少且稀疏性较高的域之间是否具有良好的泛化能力？

主要发现

• 在所有对比的最先进跨域推荐模型中，DARec 在公开数据集上表现最佳，证明了其在评分预测准确性方面的优越性。
• 在 Office Products 和 Movies & TV 数据集上，I-DARec 相比最佳基线 CoNet 实现了 3.45% 的 RMSE 降低，凸显其在极端稀疏性场景下的有效性。
• 基于深度学习的模型（如 DARec）在高稀疏数据集（稀疏度超过 99.8%）上显著优于基于矩阵分解的方法，证实了非线性建模在稀疏场景中的优势。
• 在 U-DARec 中使用对抗性训练虽提升了泛化能力，但相比 I-DARec（联合优化域分类器和评分预测器），性能略有下降。
• 该模型在语义相似度较低的域对之间也表现出稳健性能，表明即使在不相关域之间，评分模式的迁移依然有效。
• 实证结果证实，仅从评分矩阵中迁移知识已足够显著提升目标域的推荐准确性。