[论文解读] Personalized Transfer of User Preferences for Cross-domain Recommendation

Yongchun Zhu, Zhenwei Tang+6 more|arXiv (Cornell University)|Oct 21, 2021

Recommender Systems and Techniques被引用 14

一句话总结

该论文提出PTUPCDR，一种新颖的跨域推荐框架，利用元网络为每位用户生成个性化的偏好桥梁函数，从而更准确地将用户偏好从源域迁移至目标域。通过学习用户特定的桥梁而非共享桥梁，PTUPCDR在真实世界数据集上显著提升了冷启动与热启动推荐性能。

ABSTRACT

Cold-start problem is still a very challenging problem in recommender systems. Fortunately, the interactions of the cold-start users in the auxiliary source domain can help cold-start recommendations in the target domain. How to transfer user's preferences from the source domain to the target domain, is the key issue in Cross-domain Recommendation (CDR) which is a promising solution to deal with the cold-start problem. Most existing methods model a common preference bridge to transfer preferences for all users. Intuitively, since preferences vary from user to user, the preference bridges of different users should be different. Along this line, we propose a novel framework named Personalized Transfer of User Preferences for Cross-domain Recommendation (PTUPCDR). Specifically, a meta network fed with users' characteristic embeddings is learned to generate personalized bridge functions to achieve personalized transfer of preferences for each user. To learn the meta network stably, we employ a task-oriented optimization procedure. With the meta-generated personalized bridge function, the user's preference embedding in the source domain can be transformed into the target domain, and the transformed user preference embedding can be utilized as the initial embedding for the cold-start user in the target domain. Using large real-world datasets, we conduct extensive experiments to evaluate the effectiveness of PTUPCDR on both cold-start and warm-start stages. The code has been available at https://github.com/easezyc/WSDM2022-PTUPCDR.

研究动机与目标

• 通过将辅助源域中的用户偏好迁移至目标域，解决推荐系统中的冷启动问题。
• 克服现有跨域推荐方法仅使用单一共享偏好桥梁的局限性，该桥梁对所有用户均相同。
• 通过建模用户在源域与目标域偏好之间的个性化关系，实现个性化偏好迁移。
• 通过用户自适应偏好转换，提升冷启动与热启动用户的推荐性能。
• 开发一种稳定的优化过程，用于训练元网络，且无需依赖目标域用户嵌入。

提出的方法

• 采用元网络，以用户在源域中的特征嵌入作为输入，生成个性化桥梁函数。
• 使用面向任务的优化过程训练元网络，避免对目标域用户嵌入的依赖，提升训练稳定性。
• 利用元网络生成的个性化桥梁函数，将源域用户嵌入转换为目标域嵌入。
• 将转换后的嵌入作为目标域中冷启动用户的初始表示。
• 引入基于注意力的特征编码器，动态加权源域中不同项目在偏好迁移中的重要性。
• 端到端训练元网络，损失函数旨在最小化转换后的源域嵌入与真实目标域嵌入之间的差异，同时在优化过程中避免直接依赖目标域嵌入。

实验结果

研究问题

• RQ1 是否能够通过为每位用户量身定制的个性化偏好桥梁，超越使用共享桥梁函数的跨域推荐表现？
• RQ2 用户特定的偏好迁移对冷启动用户的推荐性能有何影响？
• RQ3 面向任务的优化过程对元网络训练的稳定性与有效性有何影响？
• RQ4 基于注意力的特征编码器在聚焦相关源域项目方面，能在多大程度上提升偏好迁移的质量？
• RQ5 在使用个性化桥梁与共享桥梁时，转换后嵌入的分布与真实目标域嵌入相比有何差异？

主要发现

• PTUPCDR在冷启动与热启动推荐任务上，相较于现有CDR方法（包括EMCDR及其他基于桥梁的模型）均取得了显著的性能提升。
• 潜在因子可视化显示，PTUPCDR的转换后嵌入分布更广，且与真实目标域嵌入的对齐性更好，而EMCDR的嵌入则过度聚集。
• 特征编码器中的注意力机制能有效识别并优先处理相关源域项目（例如，科幻电影影响硬摇滚CD的推荐），从而减少无关项目带来的噪声。
• 消融实验表明，个性化元网络与基于注意力的编码器均对模型性能有显著贡献。
• 面向任务的优化过程实现了元网络的稳定训练，避免了映射导向优化中常见的不稳定性问题。
• 在大规模真实世界数据集上，PTUPCDR在Recall@K与NDCG@K等标准评估指标上均优于强基线模型，证明了其鲁棒性与泛化能力。