[论文解读] Domain-to-Domain Translation Model for Recommender System

Linh Thuy Thi Nguyen, Tsukasa Ishigaki|arXiv (Cornell University)|Dec 15, 2018

Recommender Systems and Techniques参考文献 19被引用 4

一句话总结

该论文提出了一种用于多领域推荐系统的领域间翻译模型（D2D-TM），该模型结合变分自编码器（VAEs）、生成对抗网络（GANs）和循环一致性（CC），从用户交互历史中联合学习共享（同质）特征与领域特定（差异）特征。该模型在真实世界数据集上的Recall@50指标上达到最先进性能，相较于现有方法最高提升129%。

ABSTRACT

Recently multi-domain recommender systems have received much attention from researchers because they can solve cold-start problem as well as support for cross-selling. However, when applying into multi-domain items, although algorithms specifically addressing a single domain have many difficulties in capturing the specific characteristics of each domain, multi-domain algorithms have less opportunity to obtain similar features among domains. Because both similarities and differences exist among domains, multi-domain models must capture both to achieve good performance. Other studies of multi-domain systems merely transfer knowledge from the source domain to the target domain, so the source domain usually comes from external factors such as the search query or social network, which is sometimes impossible to obtain. To handle the two problems, we propose a model that can extract both homogeneous and divergent features among domains and extract data in a domain can support for other domain equally: a so-called Domain-to-Domain Translation Model (D2D-TM). It is based on generative adversarial networks (GANs), Variational Autoencoders (VAEs), and Cycle-Consistency (CC) for weight-sharing. We use the user interaction history of each domain as input and extract latent features through a VAE-GAN-CC network. Experiments underscore the effectiveness of the proposed system over state-of-the-art methods by a large margin.

研究动机与目标

• 解决多领域推荐系统中同时捕捉共享与领域特定特征的挑战。
• 克服单一领域模型在冷启动和跨领域销售场景下表现不佳的局限性。
• 消除对外部数据源（如社交网络或搜索查询）的知识迁移依赖。
• 仅使用用户交互历史实现双向领域翻译与端到端学习。
• 开发一种稳健、可扩展的框架，适用于实际部署且仅需极少微调。

提出的方法

• 整合VAE以学习每个领域中用户交互向量的潜在表征。
• 采用GAN以增强生成点击向量的真实性，并减少VAE的过拟合。
• 在高层编码器与生成器层采用权重共享，应用循环一致性（CC）以强制实现领域间的双向翻译。
• 通过在最后的编码器与第一代生成器层使用共享潜在空间并绑定权重，建模领域间的相似性。
• 使用多项式对数似然损失进行端到端训练，以更好地与二值点击数据对齐。
• 为每个领域实现对抗性判别器，以验证翻译向量的真实性。

实验结果

研究问题

• RQ1 统一模型能否有效学习推荐系统中多个领域之间的共享与差异特征？
• RQ2 通过VAE-GAN-CC进行联合学习相较于孤立模型或标准VAE，性能提升程度如何？
• RQ3 在不依赖社交媒体或搜索查询等外部信号的情况下，模型在领域间的泛化能力如何？
• RQ4 重建损失的选择（如多项式对数损失与L1/平方损失）对点击数据性能有何影响？
• RQ5 与单向迁移相比，双向领域翻译是否能提升推荐准确率？

主要发现

• 在Health_Clothing数据集上，D2D-TM相较于Multi-VAE在Recall@50上提升44.8%。
• 尽管CDL采用混合设计，D2D-TM在不同领域对上的Recall@50仍较其提升17.9%至129%。
• 由于引入了CC与GAN，D2D-TM在健康与个人护理领域相比仅使用VAE的基线模型性能提升8.1%。
• 多项式对数似然损失表现最佳，优于L1、平方损失及标准对数似然损失。
• D2D-TM的VAE_GAN变体性能略优于D2D-TM的VAE_CC变体，表明GAN具有较强的正则化效果。
• 即使在用户交互稀疏的情况下，模型仍保持稳健性能，展现出良好的可扩展性与低微调需求。