[论文解读] JSCN: Joint Spectral Convolutional Network for Cross Domain Recommendation

Zhiwei Liu, Lei Zheng+3 more|arXiv (Cornell University)|Oct 18, 2019

Recommender Systems and Techniques参考文献 38被引用 4

一句话总结

该论文提出JSCN，一种联合谱卷积网络，通过在用户-物品图上应用多层谱卷积来捕捉高阶连接信息，并利用领域自适应映射模块联合学习领域不变的用户表征。在24个Amazon数据集上的实验表明，JSCN相比最先进方法在召回率上提升9.2%，在MAP上提升36.4%，通过有效跨不兼容领域迁移知识的同时保持结构连通性，展现出卓越的跨领域推荐性能。

ABSTRACT

Cross-domain recommendation can alleviate the data sparsity problem in recommender systems. To transfer the knowledge from one domain to another, one can either utilize the neighborhood information or learn a direct mapping function. However, all existing methods ignore the high-order connectivity information in cross-domain recommendation area and suffer from the domain-incompatibility problem. In this paper, we propose a extbf{J}oint extbf{S}pectral extbf{C}onvolutional extbf{N}etwork (JSCN) for cross-domain recommendation. JSCN will simultaneously operate multi-layer spectral convolutions on different graphs, and jointly learn a domain-invariant user representation with a domain adaptive user mapping module. As a result, the high-order comprehensive connectivity information can be extracted by the spectral convolutions and the information can be transferred across domains with the domain-invariant user mapping. The domain adaptive user mapping module can help the incompatible domains to transfer the knowledge across each other. Extensive experiments on $24$ Amazon rating datasets show the effectiveness of JSCN in the cross-domain recommendation, with $9.2\%$ improvement on recall and $36.4\%$ improvement on MAP compared with state-of-the-art methods. Our code is available online ~\footnote{https://github.com/JimLiu96/JSCN}.

研究动机与目标

• 通过跨领域迁移知识来解决推荐系统中的数据稀疏性问题。
• 克服现有方法在跨领域推荐中忽略高阶连接信息的局限性。
• 解决用户行为在电影和服装等不同领域间存在显著差异的领域不兼容问题。
• 通过谱卷积和自适应映射联合学习领域不变的用户表征，以提升可迁移性。
• 验证多源领域学习的有效性，并分析模型架构选择对性能的影响。

提出的方法

• 在用户-物品二分图上应用多层谱卷积，利用图傅里叶变换提取高阶连接信息。
• 使用图拉普拉斯矩阵及其特征向量定义谱表征，以建模用户与物品之间的非线性交互。
• 引入领域自适应用户映射模块，将领域特定的谱向量投影到共享的、领域不变的用户表征空间中。
• 制定联合优化目标，同时最小化域内重建损失和跨域对齐损失，以学习共享表征。
• 在领域自适应模块中实现线性或非线性映射函数，消融实验表明线性映射表现更优，因过拟合更少。
• 使用随机梯度下降端到端训练模型，在多个源领域上优化联合损失。

实验结果

研究问题

• RQ1 谱卷积能否在跨领域推荐中有效捕捉高阶连接信息？
• RQ2 学习领域不变的用户表征是否能提升在不兼容领域间的推荐性能？
• RQ3 包含多个源领域如何影响跨领域推荐模型的性能？
• RQ4 领域自适应映射模块对行为模式不同的领域间知识迁移有何影响？
• RQ5 映射函数选择（线性 vs. 非线性）是否显著影响模型泛化能力和性能？

主要发现

• 在24个Amazon数据集上，JSCN相比最先进方法在召回率上提升9.2%，在MAP上提升36.4%。
• 领域自适应用户映射模块显著提升性能，JSCN-β相比JSCN-α在MAP上最高提升10%，在召回率上最高提升8%。
• 使用多个源领域（如家居与厨房 + 健康与个人护理）相比单源学习，性能平均提升37.2%。
• 三源领域组合的性能略低于两源组合，表明领域密度和兼容性会影响模型性能。
• 领域自适应模块中线性映射优于非线性MLP映射，可能是因为在低维谱向量上过拟合更少。
• 谱卷积能有效建模高阶连通性，实现更优的偏好预测——例如，基于跨领域的多跳路径正确排序项目。